ES6D：一种计算高效且对称性感知的 6D 位姿回归框架
计算机视觉与模式识别
2022-04-05 v1
摘要
本文提出一种计算高效的回归框架，用于从单张 RGB-D 图像估计刚体物体的 6D 位姿，适用于处理对称物体。该框架采用简洁架构，通过名为 XYZNet 的全卷积网络从 RGB-D 数据高效提取逐点特征，并直接回归 6D 位姿而无需任何后 refinement。对于对称物体，一个物体具有多个真值位姿，这种一对多关系可能导致估计歧义。为解决此歧义问题，我们设计了一种对称性不变的位姿距离度量，称为平均（最大）分组基元距离或 A(M)GPD。所提 A(M)GPD 损失可使回归网络收敛至正确状态，即 A(M)GPD 损失面上的所有极小值均映射至正确位姿。在 YCB-Video 与 T-LESS 数据集上的大量实验证明了该框架在最高精度与低计算成本上的显著优越性能。
引用
@article{arxiv.2204.01080,
title = {ES6D: A Computation Efficient and Symmetry-Aware 6D Pose Regression Framework},
author = {Ningkai Mo and Wanshui Gan and Naoto Yokoya and Shifeng Chen},
journal= {arXiv preprint arXiv:2204.01080},
year = {2022}
}
备注
Accepted by CVPR 2022