神经隐式场对象姿态估计中的正激励点采样学习
计算机视觉与模式识别
2026-02-24 v1
摘要
学习 3D 形状的神经隐式场是 rapidly 发展的领域，能够实现任意分辨率的形状表示。由于其灵活性，神经隐式场在诸多研究领域取得了成功，包括形状重建、新视角图像合成，以及最近的目标姿态估计。神经隐式场能够在包括相机空间中不可观测区域的内学习相机空间与对象标准空间之间的稠密对应，这显著提升了在高度遮挡对象和新型形状等具有挑战性场景中的目标姿态估计性能。尽管已取得进展，但预测不可观测相机空间区域的标准坐标仍然具有挑战性，这需要依赖模型的泛化能力，导致高不确定性。因此，对整个相机空间进行稠密采样点可能导致不准确的估计，阻碍学习过程并损害性能。为缓解此问题，我们提出一种结合 SO(3) 等价卷积神经网络和正激励点采样（PIPS）策略的方法。SO(3) 等价卷积神经网络在任意查询位置对点级属性进行 SO(3) 等价估计，性能优于大多数现有基线。PIPS 策略根据输入动态确定采样位置，从而提升网络的准确度和训练效率。我们的方法在三个姿态估计数据集上超越了最先进的水平。值得注意的是，在对象采集不可见姿态、高遮挡、新几何和严重噪声等具有挑战性场景中，方法表现出显著改进。
关键词
引用
@article{arxiv.2602.19937,
title = {Learning Positive-Incentive Point Sampling in Neural Implicit Fields for Object Pose Estimation},
author = {Yifei Shi and Boyan Wan and Xin Xu and Kai Xu},
journal= {arXiv preprint arXiv:2602.19937},
year = {2026}
}