YOPO：一种用于单目RGB类别级9D多目标姿态估计的极简检测Transformer

从单张RGB图像中精确恢复特定类别内未见实例的完整9自由度姿态，仍然是机器人与自动化领域的核心挑战。现有大多数解决方案仍依赖伪深度、CAD模型或多级级联，将二维检测与姿态估计分离。受对一种更简单、仅使用RGB且直接在类别层面学习的替代方案的需求驱动，我们重新审视一个长期存在的问题：能否在不依赖任何额外数据的情况下，将目标检测与9自由度姿态估计统一起来并实现高性能？我们证明，通过我们的方法YOPO可以实现这一点。YOPO是一个单阶段、基于查询的框架，它将类别级9自由度估计视为二维检测的自然延伸。YOPO用一个轻量级姿态头、一个边界框条件平移模块以及一个6D感知的匈牙利匹配代价来增强Transformer检测器。该模型仅使用RGB图像和类别级姿态标签进行端到端训练。尽管设计极简，YOPO在三个基准测试上均设立了新的最优水平。在REAL275数据集上，它达到了79.6%的$\rm{IoU}_{50}$，并在$10^\circ$$10{\rm{cm}}$指标下达到54.1%，超越了先前的纯RGB方法，并大幅缩小了与RGB-D系统的差距。代码、模型和额外的定性结果可在https://mikigom.github.io/YOPO-project-page找到。