Learning Correspondence for Deformable Objects

我们研究了可变形物体（如布料和绳索）的像素级对应问题，比较了经典方法和基于学习的方法。我们选择布料和绳索，因为它们传统上是最难用解析模型建模的可变形物体之一，由于它们具有大的构型空间，在机器人任务（如布料折叠、绳结打结、T恤折叠、窗帘关闭等）中具有重要意义。对应问题在机器人领域中具有很强的动机，广泛应用于语义抓取、物体跟踪和建立在对应关系之上的操作策略等方面。我们对现有经典方法进行了详尽的调查，包括SIFT、SURF和ORB等基于特征匹配的方法，以及两种最近发表的基于学习的方法，包括TimeCycle和Dense Object Nets。我们提出了三个主要贡献：（1）一个模拟和渲染可变形物体合成图像的框架，定性地展示了我们的合成和真实领域之间的转移；（2）一种新的基于学习的对应方法，扩展了Dense Object Nets；（3）对现有最先进的对应方法进行了标准化比较。我们的方法为学习非刚性（和刚性）物体的时间和空间连续对应提供了灵活的、通用的公式。我们报告了所有方法的均方根误差统计数据，并发现Dense Object Nets在对应问题上优于基线经典方法，而我们提出的Dense Object Nets的扩展方法表现类似。

论文旨在解决可变形物体像素级对应问题，即针对布料和绳索等难以通过解析建模的可变形物体进行像素级对应。该问题在机器人学中具有广泛的应用，包括语义抓取、物体跟踪和建立在对应关系之上的操作策略。

论文提出了一种灵活、通用的学习方法，用于非刚性（和刚性）物体的时间和空间连续对应。该方法扩展了Dense Object Nets，并在表现上优于基线经典方法。

论文提出了一个模拟和渲染可变形物体合成图像的框架，并展示了我们的合成和真实领域之间的转移。此外，还提出了一种新的扩展Dense Object Nets的学习方法，并对现有的经典和基于学习的方法进行了全面的比较。论文报告了所有方法的均方根误差统计数据，并发现Dense Object Nets在对应问题上优于基线经典方法。

最近在这个领域中，还有一些相关的研究，包括基于特征匹配的经典方法，如SIFT、SURF和ORB，以及两种最近发表的基于学习的方法，包括TimeCycle和Dense Object Nets。