基于神经特征粗到细渲染的鲁棒类别级 6D 位姿估计
计算机视觉与模式识别
2022-09-14 v1
摘要
我们考虑从单张 RGB 图像进行类别级 6D 位姿估计的问题。我们的方法将一个对象类别表示为长方体网格，并学习每个网格顶点处神经特征激活的生成模型，以通过可微渲染执行位姿估计。基于渲染的方法的一个常见问题是它们依赖于边界框提议，后者不传达对象的 3D 旋转信息，并且在对象被部分遮挡时不可靠。相反，我们引入一种粗到细优化策略，利用渲染过程估计一组稀疏的 6D 对象提议，随后通过基于梯度的优化进行精炼。我们方法能够实现收敛的关键是一种神经特征表示，其通过对比学习被训练为尺度与旋转不变。我们的实验证明了相较于先前工作的增强的类别级 6D 位姿估计性能，尤其在强部分遮挡下。
引用
@article{arxiv.2209.05624,
title = {Robust Category-Level 6D Pose Estimation with Coarse-to-Fine Rendering of Neural Features},
author = {Wufei Ma and Angtian Wang and Alan Yuille and Adam Kortylewski},
journal= {arXiv preprint arXiv:2209.05624},
year = {2022}
}