RDPN6D：基于 RGB-D 图像的残差密集逐点 6DoF 物体姿态估计网络
计算机视觉与模式识别
2024-05-15 v1 人工智能
摘要
在本工作中，我们提出了一种使用单张 RGB-D 图像计算物体 6DoF 姿态的新方法。与直接预测物体姿态或依赖稀疏关键点恢复姿态的现有方法不同，我们的方法利用密集对应来解决这一具有挑战性的任务，即我们对每个可见像素回归物体坐标。我们的方法利用了现有的物体检测方法。我们引入重投影机制来调整相机内参矩阵，以适应 RGB-D 图像中的裁剪。此外，我们将 3D 物体坐标转换为残差表示，这可以有效缩小输出空间并带来更优的性能。我们进行了广泛的实验以验证我们方法在 6D 姿态估计中的有效性。我们的方法优于以往的大多数方法，特别是在遮挡场景下，并且相较于 SOTA 方法展现出显著的改进。我们的代码可在 https://github.com/AI-Application-and-Integration-Lab/RDPN6D 获取。
引用
@article{arxiv.2405.08483,
title = {RDPN6D: Residual-based Dense Point-wise Network for 6Dof Object Pose Estimation Based on RGB-D Images},
author = {Zong-Wei Hong and Yen-Yang Hung and Chu-Song Chen},
journal= {arXiv preprint arXiv:2405.08483},
year = {2024}
}
备注
Accepted by CVPR Workshop DLGC, 2024