摘要

从单张RGB图像中直接回归复杂场景下物体的6自由度（6DoF）姿态（即三维旋转与平移）是一项极具挑战性的任务。尽管端到端方法近年来在高效性方面展现出令人瞩目的成果，但在姿态估计精度上仍逊于基于PnP/RANSAC的复杂方法。为解决这一不足，本文提出一种新颖的自遮挡推理机制，构建了两层结构的三维物体表示，显著提升了端到端6DoF姿态估计的精度。所提出的框架名为SO-Pose，以单张RGB图像为输入，通过共享编码器与两个独立解码器，分别生成2D-3D对应点以及自遮挡信息。随后，将两路输出进行融合，直接回归6DoF姿态参数。通过引入跨层一致性约束，使对应点、自遮挡信息与6DoF姿态之间保持一致，进一步提升了估计的精度与鲁棒性。在多个具有挑战性的公开数据集上，SO-Pose的表现超越或媲美当前所有最先进的方法。