MatchNorm：基于学习的点云配准用于真实世界中6D物体位姿估计
计算机视觉与模式识别
2022-08-24 v2
摘要
本文中，我们解决从点云数据估计物体6D位姿的任务。尽管近期基于学习的方法在该任务上于合成数据集取得巨大成功，我们观察到它们在真实世界数据下会失效。因此我们分析了这些失败的原因，将其追溯至源点云与目标点云特征分布之间的差异，以及广泛使用的基于SVD的损失函数对两点云间旋转范围的敏感性。我们针对第一个挑战引入了名为匹配归一化（Match Normalization）的新归一化策略，针对第二个挑战使用了基于点对应负对数似然的损失函数。我们的两项贡献具有通用性，可应用于许多现有的基于学习的3D物体配准框架，我们通过在DCP和IDAM两个框架中实现它们予以说明。在真实场景TUD-L、LINEMOD和Occluded-LINEMOD数据集上的实验证明了我们策略的益处。它们首次使基于学习的3D物体配准方法在真实世界数据上取得有意义的结果。因此我们期望它们成为点云配准方法未来发展的关键。
引用
@article{arxiv.2203.15309,
title = {MatchNorm: Learning-based Point Cloud Registration for 6D Object Pose Estimation in the Real World},
author = {Zheng Dang and Lizhou Wang and Yu Guo and Mathieu Salzmann},
journal= {arXiv preprint arXiv:2203.15309},
year = {2022}
}
备注
ECCV2022 accepted. arXiv admin note: text overlap with arXiv:2111.10399