学习可变形物体的对应关系
计算机视觉与模式识别
2024-05-29 v2
摘要
我们通过比较经典方法和基于学习的方法，研究了可变形物体（即布和绳）的像素级对应问题。我们选择布和绳是因为它们具有巨大的构型空间，传统上是最难进行解析建模的可变形物体之一，并且它们在布料折叠、打结、T 恤折叠、拉窗帘等机器人任务中具有重要意义。对应问题在机器人学中受到强烈关注，具有广泛的应用，包括语义抓取、目标跟踪以及建立在对应关系之上的操作策略。我们对现有的通过特征匹配进行对应的经典方法（包括 SIFT、SURF 和 ORB）以及最近发表的两种基于学习的方法（包括 TimeCycle 和 Dense Object Nets）进行了详尽的调查。我们做出了三项主要贡献：(1) 一个用于模拟和渲染可变形物体合成图像的框架，并展示了我们的模拟域和真实域之间迁移的定性结果；(2) 一种扩展 Dense Object Nets 的新的基于学习的对应方法；(3) 跨最先进对应方法的标准化比较。我们提出的方法为学习非刚性（和刚性）物体在时间和空间上连续的对应关系提供了一种灵活、通用的表述。我们报告了所有方法的均方根误差统计，发现 Dense Object Nets 在对应方面优于经典基线方法，而我们提出的 Dense Object Nets 扩展表现相似。
引用
@article{arxiv.2405.08996,
title = {Learning Correspondence for Deformable Objects},
author = {Priya Sundaresan and Aditya Ganapathi and Harry Zhang and Shivin Devgon},
journal= {arXiv preprint arXiv:2405.08996},
year = {2024}
}