Implicit-PDF：旋转流形上概率分布的非参数表示
计算机视觉与模式识别
2022-07-05 v2
摘要
单图像姿态估计是许多视觉与机器人任务中的基础问题，现有深度学习方法未能完整建模与处理以下两点而受其困扰：i) 预测的不确定性，以及 ii) 具有多个（有时是无穷多个）正确姿态的对称物体。为此，我们提出一种估计 SO(3) 上任意非参数分布的方法。我们的核心思想是以隐式方式表示分布，使用一个神经网络在给定输入图像与候选姿态时估计概率。可采用网格采样或梯度上升来寻找最可能姿态，但也能够在任意姿态处评估概率，从而实现对对称性与不确定性的推理。这是在流形上表示分布最具一般性的方式，为展示其丰富的表达能力，我们引入了一个包含具有挑战性的对称与近对称物体的数据集。我们无需姿态不确定性上的监督——模型仅以每样本单一姿态进行训练。尽管如此，我们的隐式模型具有高度表达能力以处理 3D 姿态上的复杂分布，同时在标准无歧义环境中仍可获得准确的姿态估计，在 Pascal3D+ 与 ModelNet10-SO(3) 基准上取得了最先进的性能。
引用
@article{arxiv.2106.05965,
title = {Implicit-PDF: Non-Parametric Representation of Probability Distributions on the Rotation Manifold},
author = {Kieran Murphy and Carlos Esteves and Varun Jampani and Srikumar Ramalingam and Ameesh Makadia},
journal= {arXiv preprint arXiv:2106.05965},
year = {2022}
}
备注
Additional implementation details