面向自监督 6DoF 姿态估计的伪关键点 RKHS 学习

我们解决六自由度姿态估计（6DoF PE）中的仿真到真实域鸿沟问题，并提出一种新颖的基于自监督关键点投票的 6DoF PE 框架，利用 RKHS 中可学习的核有效缩小该鸿沟。我们将此域鸿沟表述为高维特征空间中的距离，不同于以往的迭代匹配方法。我们提出一个适配器网络，其在纯合成数据上以合成真值姿态预训练，并将网络参数从该源合成域演化至目标真实域。重要的是，真实数据训练仅使用由伪关键点估计的伪姿态，因此无需真实真值数据标注。我们提出的方法称为 RKHSPose，在三个常用 6DoF PE 数据集（包括 LINEMOD（+4.2%）、Occlusion LINEMOD（+2%）和 YCB-Video（+3%））上取得了自监督方法中的最优性能。它在全部六个适用的 BOP 核心数据集上也优于全监督方法，达到顶尖全监督结果 -11.3% 至 +0.2% 范围内。