虽然6D物体姿势估计最近有了巨大的飞跃，但大多数方法仍然只能处理单一或少数不同的物体，这限制了它们的应用。为了规避这个问题，类别级别的物体姿态估计最近得到了改进，其目的是预测6维姿态以及以前未见过的物体类别实例的三维度量尺寸。然而，由于严重的类内形状变化，这是一个更具挑战性的任务。为了解决这个问题，我们提出了GPV-Pose，一个用于稳健的类别级姿势估计的新框架，利用几何学的见解来加强类别级姿势敏感特征的学习。首先，我们引入了一个解耦的置信度驱动的旋转表征，它允许对相关旋转矩阵进行几何感知的恢复。其次，我们提出了一种新的几何学指导下的点式投票模式，以稳健地检索三维物体的边界框。最后，利用这些不同的输出流，我们可以强制执行几个几何一致性条款，进一步提高性能，特别是对于非对称类别。GPV-Pose在常见的公共基准上产生了优于最先进竞争对手的结果，同时几乎达到了20FPS的实时推理速度。
《GPV-Pose: Category-level Object Pose Estimation via Geometry-guided Point-wise Voting》
论文地址:http://arxiv.org/abs/2203.07918v1
