从几何合成中学习立体视觉用于6D物体位姿估计
计算机视觉与模式识别
2021-09-28 v1 机器学习
摘要
当前基于单目的6D物体位姿估计方法通常取得比RGBD方法竞争力更弱的结果，主要由于缺少3D信息。为弥补这一差距，本文提出一种基于3D几何体素的短基线双视图位姿估计方法。通过在3D空间中构建几何体素，我们将两幅相邻图像的特征融合到同一3D空间中。随后训练一个网络学习物体关键点在体素中位置的分布式表示，并采用鲁棒的软RANSAC求解器以闭式解算位姿。为平衡精度与代价，我们提出由粗到细的框架以迭代方式提升性能。实验表明，我们的方法优于最先进的基于单目的方法，并在不同物体与场景中具有鲁棒性，尤其在严重遮挡情形下。
引用
@article{arxiv.2109.12266,
title = {Learning Stereopsis from Geometric Synthesis for 6D Object Pose Estimation},
author = {Jun Wu and Lilu Liu and Yue Wang and Rong Xiong},
journal= {arXiv preprint arXiv:2109.12266},
year = {2021}
}