论文标题：GDR-Net: Geometry-Guided Direct Regression Network for Monocular 6D Object Pose Estimation 论文链接：https://arxiv.org/abs/2102.12145 代码链接：https://github.com/THU-DA-6D-Pose-Group/GDR-Net.git 作者单位：清华大学 & 慕尼黑工业大学 & 谷歌 表现SOTA！性能优于PVNet、DeepIM等网络，代码即将开源！

从单个RGB图像进行6D姿态估计是计算机视觉中的基本任务。当前基于表现最佳的深度学习方法依赖于间接策略，即首先在图像平面中的坐标与对象坐标系之间建立2D-3D对应关系，然后应用PnP / RANSAC算法的变体。但是，这种两阶段pipeline不是端到端可训练的，因此很难用于许多需要可区分姿势的任务。另一方面，基于直接回归的方法目前不如基于几何的方法。在这项工作中，我们对直接和间接方法进行了深入研究，并提出了一个简单而有效的几何引导直接回归网络（GDR-Net），以从密集模式以端到端的方式学习6D姿态。基于对应关系的中间几何表示。大量的实验表明，在LM，LM-O和YCB-V数据集上，我们的方法明显优于最新方法。

内容中包含的图片若涉及版权问题，请及时与我们联系删除