利用少量杂乱图像进行 6D 位姿估计的神经对象学习
计算机视觉与模式识别
2020-11-04 v2 机器人学
摘要
近期用于物体 6D 位姿估计的方法要么假设有带纹理的 3D 模型，要么假设有覆盖目标位姿全范围真实图像。然而，在真实场景中难以获取带纹理的 3D 模型并标注物体位姿。本文提出一种称为神经对象学习（NOL）的方法，仅通过少量来自杂乱图像的观测即可生成任意位姿下物体的合成图像。提出一种新颖的细化步骤来对齐源图像中物体的不准确位姿，从而生成更高质量的图像。在两个公开数据集上的评估表明，与使用了 13 倍真实图像数量的方法相比，NOL 生成的渲染图像达到了最先进的性能。在我们新数据集上的评估表明，可使用固定场景的序列同时训练并识别多个物体。
引用
@article{arxiv.2005.03717,
title = {Neural Object Learning for 6D Pose Estimation Using a Few Cluttered Images},
author = {Kiru Park and Timothy Patten and Markus Vincze},
journal= {arXiv preprint arXiv:2005.03717},
year = {2020}
}
备注
ECCV 2020 (Spotlight)