Instance-Adaptive and Geometric-Aware Keypoint Learning for Category-Level 6D Object Pose Estimation

类别级别的6D物体姿态估计旨在估计特定类别中未见过实例的旋转、平移和大小。在这个领域，基于密集对应的方法已经取得了领先的性能。然而，它们没有明确考虑不同实例的局部和全局几何信息，导致对具有显著形状变化的未见过实例的泛化能力较差。为了解决这个问题，我们提出了一种新颖的面向实例自适应和几何感知的关键点学习方法，用于类别级别的6D物体姿态估计（AG-Pose），它包括两个关键设计：（1）第一个设计是实例自适应关键点检测模块，它可以自适应地检测一组稀疏的关键点来表示它们的几何结构。（2）第二个设计是几何感知特征聚合模块，它可以有效地将局部和全局几何信息集成到关键点特征中。这两个模块可以共同工作，为未见过的实例建立强大的关键点级对应，从而增强模型的泛化能力。在CAMERA25和REAL275数据集上的实验结果表明，所提出的AG-Pose方法在没有类别特定形状先验的情况下，优于现有的最先进方法。

本论文旨在解决类别级别的6D物体姿态估计中，针对不同实例的局部和全局几何信息不同，导致现有方法在面对形状变化较大的未知实例时泛化性能较差的问题。

本论文提出了一种新的Instance-Adaptive and Geometric-Aware Keypoint Learning方法（AG-Pose），包括两个关键设计：（1）自适应关键点检测模块，用于适应性地检测各种实例的一组稀疏关键点以表示其几何结构；（2）几何感知特征聚合模块，用于将局部和全局几何信息有效地集成到关键点特征中。这两个模块可以共同工作，为未知实例建立稳健的关键点级别对应关系，从而增强模型的泛化能力。

本文的实验结果表明，AG-Pose在CAMERA25和REAL275数据集上的表现优于现有方法，且无需类别特定的形状先验知识。此外，本文提出的Instance-Adaptive和Geometric-Aware Keypoint Learning方法也为类别级别的6D物体姿态估计领域提供了一种新思路。

在这个领域中，最近的相关研究包括：（1）基于深度学习的方法，如PVNet、Pix2Pose等；（2）基于传统计算机视觉技术的方法，如Hough Voting、Iterative Closest Point等。