Object Pose Estimation via the Aggregation of Diffusion Features

从图像中估计物体的姿态是3D场景理解的关键任务，最近的方法在非常大的基准测试中显示出了有希望的结果。然而，当处理未见过的物体时，这些方法会经历显著的性能下降。我们认为这是由于图像特征的有限泛化能力所致。为了解决这个问题，我们对扩散模型的特征进行了深入分析，例如稳定扩散，这些特征具有建模未见过的物体的重要潜力。基于这个分析，我们创新性地引入了这些扩散特征来进行物体姿态估计。为了实现这一点，我们提出了三种不同的架构，可以有效地捕捉和聚合不同粒度的扩散特征，极大地提高了物体姿态估计的泛化能力。我们的方法在三个流行的基准数据集LM，O-LM和T-LESS上的表现优于现有的最先进方法。特别是，在未见过的物体上，我们的方法比以前最好的方法在准确率上表现更好：在未见过的LM上，98.2%对93.5%，在未见过的O-LM上，85.9%对76.3%，显示了我们方法的强大泛化能力。我们的代码已经发布在https://github.com/Tianfu18/diff-feats-pose。

本论文旨在解决对象姿态估计中的一个问题，即当处理未见过的物体时，现有方法的性能会显著下降，论文试图通过利用扩散模型的特征来提高对象姿态估计的泛化能力。

论文提出了三种不同的架构，可以有效地捕捉和聚合不同粒度的扩散特征，从而大大提高对象姿态估计的泛化能力。

论文通过在扩散模型的特征上进行深入分析，提出了一种创新的方法来解决对象姿态估计中的泛化问题。该方法在三个流行的基准数据集上均优于现有方法，并且在未见过的对象上表现出更高的准确性。作者还公开了代码。

在该领域的相关研究中，最近的一些论文包括："PVNet: Pixel-wise Voting Network for 6DoF Pose Estimation"，"PoseCNN: A Convolutional Neural Network for 6D Object Pose Estimation"，"Learning to Estimate 3D Hand Pose from Single RGB Images"等。