SO(3)-Pose：面向 6D 物体位姿估计的 SO(3)-等变学习
计算机视觉与模式识别
2022-08-18 v1
摘要
从 RGB-D 图像中估计刚体的 6D 位姿对于机器人中的物体抓取与操作至关重要。尽管 RGB 通道与深度（D）通道常具互补性，分别提供外观与几何信息，如何充分受益于这两种跨模态数据仍非易事。从一个简单而新颖的观察出发：当物体旋转时，其语义标签对位姿不变，而其关键点偏移方向对位姿可变。为此，我们提出 SO(3)-Pose，一种从深度通道探索 SO(3)-等变与 SO(3)-不变特征用于位姿估计的新表征学习网络。SO(3)-不变特征有助于从 RGB 通道学习更具区分性的表征以分割外观相似物体。SO(3)-等变特征与 RGB 特征通信，以推断（缺失的）几何信息，从而从深度通道检测具有反射表面的物体的关键点。与多数现有位姿估计方法不同，我们的 SO(3)-Pose 不仅实现了 RGB 与深度通道间的信息通信，还自然吸收了来自深度图像的 SO(3)-等变几何知识，从而带来更好的外观与几何表征学习。综合实验表明，我们的方法在三个基准上取得了最先进的性能。
引用
@article{arxiv.2208.08338,
title = {SO(3)-Pose: SO(3)-Equivariance Learning for 6D Object Pose Estimation},
author = {Haoran Pan and Jun Zhou and Yuanpeng Liu and Xuequan Lu and Weiming Wang and Xuefeng Yan and Mingqiang Wei},
journal= {arXiv preprint arXiv:2208.08338},
year = {2022}
}