面向紧凑高效 6DoF 位姿估计的不确定性感知知识蒸馏
计算机视觉与模式识别
2025-12-18 v2
摘要
紧凑且高效的 6DoF 目标位姿估计在机器人、增强现实和空间自主导航系统等应用中至关重要，在这些应用中，轻量级模型对于实时准确的性能至关重要。本文提出了一种新颖的不确定性感知端到端知识蒸馏（KD）框架，专注于基于关键点的 6DoF 位姿估计。大型教师模型预测的关键点表现出不同水平的不确定性，可以在蒸馏过程中加以利用，以提高学生模型的准确性，同时确保其紧凑性。为此，我们提出了一种蒸馏策略，通过根据每个教师关键点预测相关的不确定性调整知识转移，来对齐学生和教师的预测。此外，所提出的 KD 利用关键点的这种不确定性感知对齐，在它们各自特征图的关键位置转移知识。在广泛使用的 LINEMOD 基准上的实验证明了我们方法的有效性，与 SOTA 方法相比，在使用轻量级模型的情况下实现了更优的 6DoF 目标位姿估计。在用于航天器位姿估计的 SPEED+ 数据集上的进一步验证，突显了我们的方法在不同 6DoF 位姿估计场景下的鲁棒性。
引用
@article{arxiv.2503.13053,
title = {Uncertainty-Aware Knowledge Distillation for Compact and Efficient 6DoF Pose Estimation},
author = {Nassim Ali Ousalah and Anis Kacem and Enjie Ghorbel and Emmanuel Koumandakis and Djamila Aouada},
journal= {arXiv preprint arXiv:2503.13053},
year = {2025}
}
备注
Accepted to the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2025