Three-Filters-to-Normal+：重访深度到法线转换中的不连续性判别
机器人学
2023-12-14 v1 计算机视觉与模式识别
摘要
本文介绍了Three-Filters-to-Normal+（3F2N+），这是我们先前工作Three-Filters-to-Normal（3F2N）的扩展，特别侧重于将不连续性判别能力融入表面法线估计器（SNE）。3F2N+通过利用一个新颖的不连续性判别模块（DDM）来实现这一能力，该模块通过条件随机场（CRF）结合了深度曲率最小化和相关系数最大化。为了评估SNE在噪声数据上的鲁棒性，我们创建了一个大规模合成表面法线（SSN）数据集，包含20个场景（十个室内场景和十个室外场景，深度图像添加或不添加随机高斯噪声）。大量实验表明，3F2N+的性能优于所有其他基于几何的表面法线估计器，在清洁室内、清洁室外、噪声室内和噪声室外数据集上的平均角度误差分别为7.85°、8.95°、9.25°和11.98°。我们进行了三个额外实验，以证明将我们提出的3F2N+集成到下游机器人感知任务（包括自由空间检测、6D物体姿态估计和点云补全）中的有效性。我们的源代码和数据集可在https://mias.group/3F2Nplus公开获取。
引用
@article{arxiv.2312.07964,
title = {Three-Filters-to-Normal+: Revisiting Discontinuity Discrimination in Depth-to-Normal Translation},
author = {Jingwei Yang and Bohuan Xue and Yi Feng and Deming Wang and Rui Fan and Qijun Chen},
journal= {arXiv preprint arXiv:2312.07964},
year = {2023}
}