UA-Pose：基于不确定性感知的 6D 物体位姿估计与部分参考下的在线物体补全
计算机视觉与模式识别
2025-06-10 v1 机器人学
摘要
6D 物体位姿估计已展现出对新颖物体的强泛化能力。然而，现有方法通常需要完整且重建良好的 3D 模型，或者需要完全覆盖物体的多张参考图像。从仅捕捉物体外观和几何片段的部分参考中估计 6D 位姿仍然具有挑战性。为了解决这一问题，我们提出了 UA-Pose，一种专门针对部分参考设计的、基于不确定性感知的 6D 物体位姿估计与在线物体补全方法。我们假设可以获取（1）一组具有已知位姿的有限 RGBD 图像，或（2）单张 2D 图像。对于第一种情况，我们根据提供的图像和位姿初始化部分物体的 3D 模型；对于第二种情况，我们使用图像到 3D 技术生成初始物体 3D 模型。我们的方法将不确定性整合到不完整的 3D 模型中，以区分可见与不可见区域。这种不确定性使得在位姿估计中能够进行置信度评估，并指导用于在线物体补全的不确定性感知采样策略，从而增强了位姿估计精度的鲁棒性并提高了物体完整性。我们在 YCB-Video、YCBInEOAT 和 HO3D 数据集上评估了我们的方法，包括由机器人和人手操作的 YCB 物体的 RGBD 序列。实验结果表明，与现有方法相比取得了显著的性能提升，特别是在物体观测不完整或仅被部分捕捉时。项目页面：https://minfenli.github.io/UA-Pose/
引用
@article{arxiv.2506.07996,
title = {UA-Pose: Uncertainty-Aware 6D Object Pose Estimation and Online Object Completion with Partial References},
author = {Ming-Feng Li and Xin Yang and Fu-En Wang and Hritam Basak and Yuyin Sun and Shreekant Gayaka and Min Sun and Cheng-Hao Kuo},
journal= {arXiv preprint arXiv:2506.07996},
year = {2025}
}
备注
CVPR 2025