- 博客(14)
- 收藏
- 关注
原创 MatchU学习
为了保证基于RGB的2D信息在潜在空间中的有效性,关键是通过建立2D和3D特征之间的跨模态匹配来提供来自2D和3D模态的监督信号。为了解决旋转不变性引入的歧义问题,引入了一种新型的2D-3D融合模块,并提出了一种新颖的桥接粗匹配损失,利用。为了保持我们网络的可推广性并避免对特定对象特征的过度拟合,我们建议在粗略水平的潜在空间中融合3D和2D特征,并利用。来测量归一化特征的相似性。我们将前k个最相关的点对确定为点集C的3D-3D匹配,从中我们创建η姿态假设。根据特征的相似性建立P和Q的对应关系。
2024-07-28 22:11:48 573
原创 【GS-Pose】学习
将3D Gaussian Splatting应用在位姿估计中,提出仅基于RGB的novel物体姿态估计框架。这一步是将参考图重建为3D Gauss表示,用于pose refine。也是三步进行:定位、pose init、pose refine。(onepose系列必须有2d bbox)设delta P为T。
2024-05-21 16:57:22 1138
原创 Free-Moving Object Reconstruction and Pose Estimation with Virtual Camera 论文学习
假设已知真实相机内参K,则有在对图像u做crop时,相当于用操作矩阵M。设虚拟相机参数为K。
2024-05-21 16:57:18 914
原创 pose 整理(补充中)
1.PnP算法:PnP(Perspective-n-Point)是求解 3D 到 2D 点对运动的方法。它描述了当我们知道n 个 3D 空间点以及它们的投影位置时,如何估计相机所在的位姿。——《视觉SLAM十四讲》通俗的讲,PnP问题就是在已知世界坐标系下N个空间点的真实坐标以及这些空间点在图像上的投影,如何计算相机所在的位姿。换句话说,就是已知量为空间中的真实坐标和图像坐标,求解相机的位姿(未知量)2.BOP挑战赛。
2024-03-15 17:54:25 1702 1
原创 BundleTrack学习
它只需要对一般 2D 图像进行训练,例如此处使用的 ScanNet 数据集 ,并推广到新的场景。采用了现成的用于视频对象分割的 transductive-VOS 网络,只需要在Davis 2017和Youtube-VOS 数据集上预训练,泛化到我们的测试场景,而不需要任何物体的CAD模型进行训练(不依赖,可优化)提出了位姿图&内存池,全新的6D物体姿态算法,不需要实例或类级别的CAD模型用于训练或测试,可立即用于新物体的6D姿态跟踪。考虑稠密点之间,点到平面距离的残差,当E最小化时,则实现了时空一致性。
2023-11-17 19:08:50 155 1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人