基于 RGB-D 局部隐式函数的透明物体深度补全
计算机视觉与模式识别
2021-04-02 v1 机器人学
摘要
机器人领域多数感知方法需要 RGB-D 相机提供的深度信息。然而，由于光的折射与吸收，标准三维传感器无法捕获透明物体的深度。本文提出一种从单张 RGB-D 图像进行透明物体深度补全的新方法。我们方法的关键在于构建在光线-体素对上的局部隐式神经表征，使方法能泛化至未见物体并实现快速推理速度。基于该表征，我们提出一个给定含噪 RGB-D 输入即可补全缺失深度的新框架。我们进一步使用自校正细化模型迭代改进深度估计。为训练整个流水线，我们构建了带透明物体的大规模合成数据集。实验表明，我们的方法在合成与真实世界数据上均显著优于当前最先进（SOTA）方法。此外，相较前最佳方法 ClearGrasp，我们的方法将推理速度提升了 20 倍。代码与数据集将发布于 https://research.nvidia.com/publication/2021-03_RGB-D-Local-Implicit。
引用
@article{arxiv.2104.00622,
title = {RGB-D Local Implicit Function for Depth Completion of Transparent Objects},
author = {Luyang Zhu and Arsalan Mousavian and Yu Xiang and Hammad Mazhar and Jozef van Eenbergen and Shoubhik Debnath and Dieter Fox},
journal= {arXiv preprint arXiv:2104.00622},
year = {2021}
}
备注
CVPR 2021