NeurOCS：用于单目 3D 目标定位的神经 NOCS 监督
计算机视觉与模式识别
2023-05-30 v1
摘要
驾驶场景中的单目 3D 目标定位是一项关键任务，但因其病态性质而具有挑战性。对物体表面每个像素估计 3D 坐标具有很大潜力，因为它为底层的 PnP 问题提供了稠密的 2D-3D 几何约束。然而，由于激光雷达数据的稀疏性与各种伪影，以及收集逐实例 CAD 模型在实际上的不可行性，驾驶场景中缺乏高质量的真实监督。本工作中，我们提出 NeurOCS，一个以实例掩码和 3D 框为输入、通过可微渲染学习 3D 物体形状，并进一步作为学习稠密物体坐标之监督的框架。我们的方法基于对直接从真实驾驶场景学习类别级形状先验的洞察，同时恰当处理单视图歧义。此外，我们研究并作出了从以物体为中心视角更有效学习物体坐标的关键设计选择。总体而言，我们的框架在单目 3D 定位上取得了新的最优性能，在已发表的单目方法中于 KITTI-Object 基准上排名第一。
引用
@article{arxiv.2305.17763,
title = {NeurOCS: Neural NOCS Supervision for Monocular 3D Object Localization},
author = {Zhixiang Min and Bingbing Zhuang and Samuel Schulter and Buyu Liu and Enrique Dunn and Manmohan Chandraker},
journal= {arXiv preprint arXiv:2305.17763},
year = {2023}
}
备注
Paper was accepted to CVPR 2023