TexPose：用于自监督六维物体位姿估计的神经纹理学习
计算机视觉与模式识别
2023-03-15 v2
摘要
本文提出一种利用合成数据与少量无标注真实图像进行六维物体位姿估计的神经纹理学习方法。我们的主要贡献是一种新颖的学习方案，消除了先前工作的缺陷，即对边模模态或额外细化过程的强烈依赖。这些依赖此前是提供训练信号以收敛所必需的。我们将该方案表述为纹理学习与位姿学习两个子优化问题。我们分别学习从真实图像集合中预测物体的逼真纹理，并从像素完美的合成数据学习位姿估计。结合这两种能力即可合成照片级真实的新视角，以精确几何监督位姿估计器。为缓解纹理学习阶段存在的位姿噪声与分割缺陷，我们提出一种基于 surfel 的对抗训练损失以及来自合成数据的纹理正则化。我们证明所提方法在无真实位姿标注下显著优于近期最先进方法，并对未见场景表现出显著的泛化改进。值得注意的是，即便以低得多的初始性能初始化，我们的方案仍大幅改进了所采用的位姿估计器。
引用
@article{arxiv.2212.12902,
title = {TexPose: Neural Texture Learning for Self-Supervised 6D Object Pose Estimation},
author = {Hanzhi Chen and Fabian Manhardt and Nassir Navab and Benjamin Busam},
journal= {arXiv preprint arXiv:2212.12902},
year = {2023}
}
备注
Accepted to CVPR 2023