cocool的博客

CosyPose: Consistent multi-view multi-object 6D pose estimation摘要我们介绍一种用于恢复场景中多个已知对象的6D姿势的方法，该场景由一组具有未知相机视点的输入图像捕获。首先，我们提出一种单视图单对象6D姿势估计方法，该方法用于生成6D对象姿势假设。其次，我们开发了一种鲁棒的方法来匹配不同输入图像上的单个6D对象姿势假设，以便共同估算单个一致场景中所有对象的相机视点和6D姿势。我们的方法显式处理对象对称性，不需要深度测量，对丢失或不正确的对象假

CVPR2020旷视提出PVN3D：针对6D位姿估计的3D关键点投票网络Abstract在这项工作中，我们提出了一种新的数据驱动方法，用于从单个RGBD图像进行鲁棒的6DoF对象姿态估计。与直接回归姿态参数的先前方法不同，我们使用基于关键点的方法来解决这一具有挑战性的任务。具体而言，我们提出了一种深度霍夫投票网络，以检测对象的3D关键点，然后以最小二乘拟合的方式估算6D姿态参数。我们的方法是2Dkeypoint方法的自然扩展，该方法成功地用于基于RGB的6DoF估计。它使我们能够利用额外的深度信息充分利

代码详细注解从之前的博客，我相信大家都已经知道，训练代码为tools/train.py，下面时对该代码的详细注解（这里只要随便看看就好，最后面还有总结）1. tools/train# --------------------------------------------------------# DenseFusion 6D Object Pose Estimation by Iterative Dense Fusion# Licensed under The MIT License [see

准备https://github.com/j96w/DenseFusionhttps://github.com/hoangcuongbk80/Object-RPE/tree/master/DenseFusion翻译Abstract之前的网络都是分别从RGB图像和深度图像提出信息，需要做后期处理。Dense Fusion把RBG图像和depth图通过特征融合，做了一个统一的处理。很大程度上提高了速度，并且还提出iterative pose refinement：其能对初步预测的姿态进行提炼，内部实现

Learning latent geometric consistency for 6D object pose estimation in heavily cluttered scenes在杂乱无章的场景中学习6D对象姿态估计的潜在几何一致性abstract从RGB-D图像估计6D对象姿态（3D旋转和平移）是计算机视觉中一项重要且具有挑战性的任务，已广泛应用于各种应用中，例如机器人操纵，自动驾驶，增强现实等。来自单个帧的局部外观的特征或原因，它忽略了两个帧之间的空间几何相关性，从而限制了它们在杂乱无

pvnet前四章翻译https://blog.youkuaiyun.com/weixin_44636737/article/details/1023143555.实验5.1 数据集LINEMOD[18]是6D对象姿态估计的标准基准。该数据集对姿态估计提出了许多挑战：场景杂乱、对象纹理少、光照条件变化。通过Occlusion LINEMOD图像的子集来创建遮挡LINEMOD。每个图像包含多个带注释的对象，这些对象被严重遮挡，这给姿态估计带来了很大的挑战。Truncation LINEMOD若要对截断对象的方法

#Pix2Pose: Pixel-Wise Coordinate Regression of Objects for 6D Pose Estimation#pix2pose 代码实现本人搜遍国内外全网，发现没有关于pix2 pose代码实现的无奈只好自己一点点扣其实作者在自述中写的很清楚，只需要按照作者的要求配置即可。论文地址https://arxiv.org/abs/1908.07433源代码github地址https://github.com/kirumang/Pix2Pose首先下载