momo_vv-CSDN博客

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