GeoReF: Geometric Alignment Across Shape Variation for Category-level Object Pose Refinement

物体姿态细化对于稳健的物体姿态估计至关重要。先前的研究在实例级别的物体姿态细化方面取得了显著进展。然而，类别级别的姿态细化是一个更具挑战性的问题，因为类别内存在着大的形状变化以及目标物体与形状先验之间的差异。为了解决这些挑战，我们引入了一种新颖的架构用于类别级别的物体姿态细化。我们的方法集成了一个HS层和可学习仿射变换，旨在增强几何信息的提取和对齐。此外，我们引入了一个交叉云转换机制，有效地合并了多样的数据源。最后，我们通过整合形状先验信息来推动我们模型的极限，以进行平移和尺寸误差预测。我们进行了广泛的实验来展示所提出的框架的有效性。通过广泛的定量实验，我们证明在所有指标上，与基线方法相比，我们的方法都有了显著的改进。

本论文旨在解决类别级别物体姿态精细化问题，即如何在同一类别物体的形状差异和目标物体与形状先验之间的差异下进行更准确的物体姿态估计。

本论文提出了一种新的架构，将HS层和可学习仿射变换相结合，旨在增强几何信息的提取和对齐。同时，引入了一种有效合并多种数据源的交叉云变换机制，并利用形状先验信息进行平移和尺寸误差预测。

论文通过实验验证了所提出的框架在各项指标上相较于基线方法均有显著提高。论文使用了多个数据集进行实验，并开源了代码。此外，论文还提出了一些值得深入研究的方向，如如何进一步提高类别级别物体姿态估计的准确性。

最近的相关研究包括：1. "Pose2Mesh: Graph Convolutional Network for 3D Human Pose and Mesh Recovery from a 2D Human Pose"；2. "Object Pose Estimation using Analytic Depth Gradient and Learned Pose Priors"；3. "Pose Estimation for Objects with Rotational Symmetry"。