ZebraPose：面向6DoF物体位姿估计的由粗到细表面编码
计算机视觉与模式识别
2022-03-31 v2
摘要
建立从图像到三维的对应关系是长期以来6DoF物体位姿估计的一项关键任务。为了更精确地预测位姿，深度学习的稠密映射取代了稀疏模板。稠密方法也改善了存在遮挡时的位姿估计。最近，研究人员通过学习物体碎片作为分割取得了改进。在本工作中，我们提出了一种离散描述子，可稠密地表示物体表面。通过引入分层二进制分组，我们能够非常高效地编码物体表面。此外，我们提出了一种由粗到细的训练策略，可实现细粒度对应关系预测。最后，通过将预测编码与物体表面匹配并使用PnP求解器，我们估计出6DoF位姿。在公开LM-O和YCB-V数据集上的结果表明，相对于ADD(-S)指标的最先进水平有显著提升，在某些情况下甚至超越了基于RGB-D的方法。
引用
@article{arxiv.2203.09418,
title = {ZebraPose: Coarse to Fine Surface Encoding for 6DoF Object Pose Estimation},
author = {Yongzhi Su and Mahdi Saleh and Torben Fetzer and Jason Rambach and Nassir Navab and Benjamin Busam and Didier Stricker and Federico Tombari},
journal= {arXiv preprint arXiv:2203.09418},
year = {2022}
}
备注
CVPR2022 camera ready