面向彩色图像自监督 6D 物体位姿估计的位姿一致性与形变对齐方法
计算机视觉与模式识别
2020-10-19 v2
摘要
大多数成功的物体 6D 位姿估计方法通常通过以真实世界图像中标注位姿监督学习来训练神经网络。这些标注通常获取代价高昂，常见的替代方案是在合成场景上生成并训练，其缺陷在于模型部署到真实世界时泛化能力有限。本文提出了一种两阶段 6D 物体位姿估计框架，可应用于现有基于神经网络的方法之上，且不需要真实图像上的位姿标注。第一自监督阶段强制渲染预测与真实输入图像间的位姿一致性，缩小两域间的差距。第二阶段通过强制不同物体视角图像对间的光度一致性来微调先前训练的模型，其中一幅图像被形变并对齐以匹配另一幅的视角，从而实现比较。在缺乏真实图像标注与深度信息的情况下，将所提框架应用于两种近期方法之上，相较于仅在合成数据上训练的方法、域适应基线以及 LINEMOD、LINEMOD OCCLUSION 和 HomebrewedDB 数据集上的一种同期自监督方法，取得了最先进的性能。
引用
@article{arxiv.2003.12344,
title = {Introducing Pose Consistency and Warp-Alignment for Self-Supervised 6D Object Pose Estimation in Color Images},
author = {Juil Sock and Guillermo Garcia-Hernando and Anil Armagan and Tae-Kyun Kim},
journal= {arXiv preprint arXiv:2003.12344},
year = {2020}
}
备注
Accepted to 3DV'2020 as Oral