Resolving Symmetry Ambiguity in Correspondence-based Methods for Instance-level Object Pose Estimation

从单个RGB图像中估计物体的6D姿态是一项关键任务，当处理对称物体时，这项任务变得更加具有挑战性。最近的方法通常在图像像素和3D物体表面顶点之间建立一对一的对应关系。然而，使用一对一的对应关系会为对称物体引入模糊性。为了解决这个问题，我们提出了SymCode，一种对称感知的表面编码，它基于一对多的对应关系对物体表面顶点进行编码，消除了一对一对应关系的模糊性问题。我们还引入了SymNet，一种快速的端到端网络，直接回归6D姿态参数，无需解决PnP问题。我们在大多数对称物体的T-LESS和IC-BIN基准测试中展示了我们的方法实现了更快的运行时间和可比较的准确性。我们的源代码将在被接受后发布。

解决问题：论文旨在解决如何从单张RGB图像中估计对称物体的6D位姿的问题。这是否是一个新问题？

关键思路：论文提出了SymCode，一种对称感知的表面编码方法，通过一对多的对应关系对物体表面顶点进行编码，消除了对称物体的一对一对应关系的模糊性。同时，引入了SymNet，一个快速的端到端网络，直接回归6D位姿参数而无需解决PnP问题。相比当前领域的研究状况，这篇论文的思路具有新意。

其他亮点：论文在T-LESS和IC-BIN数据集上进行了实验，证明了该方法在大多数对称物体上具有更快的运行时间和可比较的准确性。论文还承诺在接受后发布源代码。

相关研究：最近在这个领域中，还有一些相关的研究，例如“Pix2Pose: Pixel-wise Coordinate Regression of Objects for 6D Pose Estimation”，“BB8: A Scalable, Accurate, Robust to Partial Occlusion Method for Predicting the 3D Poses of Challenging Objects without Using Depth”等。