.png){kind=icon}
返回
Learning Positive-Incentive Point Sampling in Neural Implicit Fields for Object Pose Estimation
.png){kind=icon}
PRE
AI
DOI：10.1109/TPAMI.2025.3647829.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
学习3D形状的神经隐式场是一个快速兴起的领域，它能够实现任意分辨率的形状表示。由于灵活性，神经隐式场已在多个研究领域取得成功，包括形状重建、新视角图像合成，以及最近的对象姿态估计。神经隐式场能够学习相机空间与对象规范空间之间的密集对应关系——包括相机空间中未观察到的区域——显著提升了在高遮挡物体和新型形状等具有挑战性的场景下的对象姿态估计性能。尽管取得进展，但由于缺乏直接的观测信号，预测相机空间中未观察区域的规范坐标仍然具有挑战性。这需要高度依赖模型的泛化能力，导致高不确定性。因此，在整个相机空间密集采样点可能会产生不准确的估计，阻碍学习过程并损害性能。为缓解此问题，我们提出了一种结合SO(3)-equivariant卷积隐式网络和正激励点采样（PIPS）策略的方法。SO(3)-equivariant卷积隐式网络在任意查询位置以SO(3)-equivariance估计点级属性，相较于大多数现有基线表现出更优性能。PIPS策略根据输入动态确定采样位置，从而提升网络的准确性和训练效率。PIPS策略通过PIPS估计网络实现，该网络生成具有显著特征的稀疏采样点，能够以高确定性确定所有对象姿态DoFs。为收集PIPS估计网络的训练数据，我们提出使用教师模型自动生成伪地面真值。我们的方法在三个姿态估计数据集上超越了当前最优水平。在NOCS-REAL275上达到0.63的$5^{\circ}2$ cm指标，在ShapeNet-C上达到0.62的$5^{\circ}5$ cm指标，在LineMOD-O上达到77.3的AR指标。值得注意的是，它在具有挑战性的场景中表现出显著改进，如未见过姿态的物体、高遮挡、新型几何形状和严重噪声。
Keyword:
Neural implicit fields
object pose estimation
point sampling strategy
期刊
IF:
18.6
论文数:
864
被引数:
9.8W
机构
引用论文
.png){kind=icon}
查看更多内容