Uni6Dv2：面向6D姿态估计的噪声消除方法
计算机视觉与模式识别
2023-03-17 v2
摘要
Uni6D 是首个采用统一骨干网络从 RGB 和深度图像中提取特征的 6D 姿态估计方法。我们发现 Uni6D 性能受限的主要原因是实例外（Instance-Outside）和实例内（Instance-Inside）噪声。Uni6D 简单的流水线设计在其感受野中固有地引入了来自背景像素的实例外噪声，同时忽略了输入深度数据中的实例内噪声。本文中，我们提出一种两步去噪方法来处理 Uni6D 中的上述噪声。为减少来自非实例区域的噪声，第一步利用实例分割网络对实例进行裁剪和掩码。第二步提出一个轻量级深度去噪模块，在将深度特征送入姿态回归网络之前对其进行校准。大量实验表明，我们的 Uni6Dv2 可靠且鲁棒地消除了噪声，在不过多牺牲推理效率的情况下优于 Uni6D。它还减少了对需要昂贵标注的真实标注数据的需求。
引用
@article{arxiv.2208.06416,
title = {Uni6Dv2: Noise Elimination for 6D Pose Estimation},
author = {Mingshan Sun and Ye Zheng and Tianpeng Bao and Jianqiu Chen and Guoqiang Jin and Liwei Wu and Rui Zhao and Xiaoke Jiang},
journal= {arXiv preprint arXiv:2208.06416},
year = {2023}
}