【6Dof位姿估计】DPVL:6DoF Object Pose Estimation via Differentiable Proxy Voting Loss论文理解

---

论文链接：arxiv

解决什么问题

6Dof估计，优化了投票

---

本文创新点\贡献

提出了一个新的loss，可以将距离因素也考虑进去，根据投票方向、像素和被投票关键点的距离一起来优化结果，收敛还很快

---

本文IDEA来源

投票方法在遮挡和视角改变上都有鲁棒性，所以也是基于投票来做的

---

方法

不需要微调，先投票2D关键点，关键点用了两种loss：一是方向，二是距离；然后pnp解出pose

---

方向向量的投票

作者的预测使用了很大的感受野，覆盖了物体的大部分，这样即使有些关键点看不见了，也能从可视部分推导出来

那不知点云是否有效

mask和投票向量的表达和PVN3D是一样的，方向向量用smooth L-1 loss来回归：
$$L_{vf}=\sum _{k\in K}\sum _{p\in M}{l}_1(||u_k(p)-v_k(p)|{|}_1)$$

其中$v_k(p)$是估计的方向向量，$M$是物体mask

---

Differentiable proxy voting loss

来源：
这块是这个论文的总重要的创新点，作者提出这个是因为作者发现发现，如果只是用方向来投票的话，如果投票点和关键点的距离很远的话，即使投票方向误差很小，通过距离来放大之后偏差就很大了，如上图所示， p 1