双向对应网络：鲁棒6D姿态估计的局部匹配与全局回归

本文主要探讨的是"局部匹配与全局回归：鲁棒6D姿态估计"这一主题，它聚焦在解决深度图像中的遮挡问题和系统噪声对6D姿态估计精度的影响。6D姿态估计是指通过从RGB-D图像中识别物体在相机空间中的位置和方向，通常涉及从对象空间到相机空间的刚性变换。现有的方法，如PVN3D，通常采用两阶段流程，先估计深度姿态再进行后处理优化，但这种结构可能导致效率低下且在面对遮挡情况时表现不佳。 为了提高鲁棒性和准确性，研究者提出了BiCo-Net（双向对应映射网络），它结合了局部匹配模型和全局回归策略。BiCo-Net的关键创新在于生成一个由典型姿态回归引导的点云，这使得姿态预测依赖于局部定向点对，增强了对稀疏和遮挡点云的处理能力。通过姿态敏感信息的优化，网络能够更好地生成局部坐标和法向量，降低了对噪声的敏感度。 局部匹配模型通过深度对应映射确定物体在不同视角下的相对位置，而全局回归则提供了全局上下文信息，有助于整体姿态的估计。这种方法在对抗遮挡场景时展现出显著优势，相比于PVN3D，BiCo-Net能够更准确地处理这类复杂情况。 实验结果显示，BiCo-Net在多个常用基准数据集上实现了最优性能，尤其是在处理遮挡严重的场景时，其鲁棒性和精度得到了显著提升。该研究为解决6D姿态估计中的遮挡问题提供了一种有效的新方法，并展示了其在实际应用中的潜力。论文的源代码可供下载，进一步推动了该领域的研究进展。