面向 6D 姿态估计的 Sim2Real 实例级风格迁移
计算机视觉与模式识别
2024-10-28 v1 机器人学
摘要
近年来，合成数据被广泛用于 6D 姿态估计网络的训练，部分原因在于其能以低成本自动提供完美标注。然而，合成数据与真实数据之间仍存在不可忽视的域差距，例如纹理/材质上的差异。这些差距对性能有可度量的影响。为解决此问题，我们引入一种用于 6D 姿态估计网络训练的仿真到现实（sim2real）实例级风格迁移方法。我们的方法在无需人工干预的情况下，将目标对象的风格从合成数据逐个迁移到真实数据。这提升了用于训练姿态估计网络的合成数据质量。我们还提出了一条从数据收集到姿态估计网络训练的完整流程，并在真实世界机器人平台上进行了广泛评估。我们的评估表明，所提方法在姿态估计性能和经风格迁移适配的图像真实感两方面均取得显著提升。
引用
@article{arxiv.2203.02069,
title = {Sim2Real Instance-Level Style Transfer for 6D Pose Estimation},
author = {Takuya Ikeda and Suomi Tanishige and Ayako Amma and Michael Sudano and Hervé Audren and Koichi Nishiwaki},
journal= {arXiv preprint arXiv:2203.02069},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication