Wild6D
PulseAugur coverage of Wild6D — every cluster mentioning Wild6D across labs, papers, and developer communities, ranked by signal.
-
GenCOPE 实现机器人物体姿态的合成到真实估计
研究人员开发了 GenCOPE,一种新颖的类别级物体姿态估计(COPE)方法,实现了机器人抓取的合成到真实(Syn2Real)泛化。该方法仅使用合成数据进行训练,克服了模拟环境和真实环境之间,尤其是在纹理外观上的显著域间隙。GenCOPE 采用 2D 和 3D 语义一致性约束来学习域不变表示,并采用端到端的姿态回归框架,通过跨模态融合进行精细估计。该模型轻量级、仅全局特征的架构在 REAL275 和 Wild6D 等基准测试以及真实机…
-
扩散模型实现从单张图像进行类别级6D对象姿态估计
研究人员开发了一个新的生成框架,用于从单个RGB图像估计对象姿态,利用扩散模型创建多假设姿态分布。该方法使用均值漂移(Mean Shift)有效地分离出最可能的姿态,绕过了计算密集型的似然模型。该方法在REAL275基准测试上取得了最先进的成果,并在Wild6D数据集上展示了强大的零样本泛化能力,避免了端到端检测器中常见的领域过拟合。此外,该框架还可以通过随时间传播姿态分布来跟踪视频序列中的姿态。
-
MemPose框架通过记忆增强提升物体姿态估计性能 · 跟踪3个来源
研究人员推出MemPose,一个利用记忆增强方法进行类别级物体姿态估计的新型框架。与依赖固定形状先验或静态参数的先前方法不同,MemPose 包含一个外部记忆缓冲区,用于存储和动态更新从观察到的实例中提取的结构表示。这使得模型能够利用积累的经验来提高感知能力和跨不同物体的可扩展性。在 REAL275、CAMERA25、Housecat6D 和 Wild6D 等基准测试上的实验表明,MemPose 的性能优于现有的最先进方法。