.png){kind=icon}
返回
Rethinking Transparent Object Grasping: Depth Completion With Monocular Depth Estimation and Instance Mask
.png){kind=icon}
PRE
AI
DOI：10.1109/LRA.2026.3673898.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
精确的深度图对于机器人抓取至关重要。然而，透明物体由于反射和折射，常导致深度相机产生缺失或扭曲的深度信息，使得抓取它们尤为困难。因此，对透明物体的精确深度估计至关重要。现有的端到端方法旨在直接从RGB-D输入预测深度。然而，深度扭曲随环境、视角和光照的变化而显著不同，使得预测困难。在有限数据集上训练的模型往往难以在真实应用中有效泛化。在本文中，我们提出了ReMake，一种新颖的透明物体深度补全框架，通过注入结构化先验来重新制定深度估计的学习目标。首先，我们引入一个掩码先验来显式分离透明区域与可靠的背景深度。这种分离确保了训练与真实应用之间的一致性，其中掩码区域对应透明区域，未掩码区域对应不透明区域。这提高了模型在真实应用中的泛化能力。其次，我们进一步将单目深度估计获得的相对深度作为额外先验进行整合，它编码了透明物体与其背景之间的深度关系，以更有效地指导透明区域的重建。在多个数据集和真实场景中的广泛实验表明，ReMake显著优于现有方法，特别是在不同视角预测实验中，评估了其泛化能力。
Keyword:
Perception for grasping and manipulation
deep learning for visual perception
RGB-D perception
期刊
I
IF:
5.3
论文数:
1.9K
被引数:
3.9W
机构
引用论文
.png){kind=icon}
PCF-Grasp: Converting Point Completion to Geometry Feature to Enhance 6-DoF GraspPCF-Grasp：将点云补全转换为几何特征以增强6-DoF抓取
PREAI
分享收藏
分享收藏
查看更多内容