基于高斯溶解引导的GS2Pose：一种两阶段6D物体姿态估计方法
计算机视觉与模式识别
2024-11-11 v3 人工智能
摘要
本文提出了一种新方法，用于准确且稳健地估计新型物体的6维姿态，命名为GS2Pose。通过引入3D高斯溶解（3D Gaussian splatting），GS2Pose能够利用重建结果，而无需高质量的CAD模型，这意味着仅需输入分割后的RGBD图像。具体而言，GS2Pose采用由粗估计 followed by 细化估计组成的两阶段结构。在粗估计阶段，设计了一种带有极化注意力机制的轻量级U-Net网络，称为Pose-Net。通过使用3DGS模型进行监督训练，Pose-Net可以生成NOCS图像以计算粗略姿态。在细化阶段，GS2Pose沿用再投影或束调整（Bundle Adjustment）的思想，提出了一种姿态回归算法，称为GS-Refiner。通过利用李代数扩展3DGS，GS-Refiner获得了一种可微姿态渲染管线，通过比较输入图像与渲染图像来细化粗略姿态。GS-Refiner还会针对性地更新3DGS模型中的参数，以实现环境适应，从而增强算法对光照变化、遮挡及其他挑战性干扰因素的鲁健性与灵活性。通过在LineMod数据集上进行实验评估，GS2Pose与类似算法进行了比较，取得了高度具竞争力的结果。GS2Pose的代码将很快在GitHub上发布。
引用
@article{arxiv.2411.03807,
title = {GS2Pose: Two-stage 6D Object Pose Estimation Guided by Gaussian Splatting},
author = {Jilan Mei and Junbo Li and Cai Meng},
journal= {arXiv preprint arXiv:2411.03807},
year = {2024}
}