一句话概括:
-
仅使用 RGB 图像,对初始的位姿进行迭代优化的方法;也就是 输入目标图像和初始位姿,输出更精确的位姿。
整体框架:
network 结构:
主要贡献:
- 提出了仅使用 RGB 图像的位姿迭代优化方法;
- 提出了一种解耦的物体位姿变换的方式,以实现精确的姿态估计。这种表示方式也使提出的方法能够优化未见过的对象的姿态。
- 基于LINEMOD数据集的两种不同 初始姿态生成方法 的消融研究。
小结:
- 文章最初通过向地面真实姿态添加噪声作为初始姿态;
- 文章中说,理论上,只要训练在一个单一的步骤中回归相对姿态的网络,然后将 训练的网络 在测试中进行多次迭代,就可以获得越来越精确的位姿;然而,作者通过实验发现,如果训练网络在一个单一的步骤中回归相对姿态,训练网络所估计的位姿在测试的多次迭代中并没有改善。因此作者在训练期间也执行多次迭代,发现结果变好了。
- 其实各种网络,只要更改一下输出方式,就可以应用在完全不同的任务上。如:文章中 对faster-rcnn 进行简单的修改,就能做位姿估计,只是精度不高。
- 文章中还说可以对 之前未见过的物体 进行位姿迭代优化(由于 提出的解耦的物体位姿变换方式)
- 文章中的 render(如下图中部分),可以认为就是对 3D model 进行初始pose 变换后,投影到 2D 图像的过程。投影后 获得的2D 图像 即为Rendered image