摘要

尽管6D物体姿态估计最近取得了巨大进展，但大多数方法仍然只能处理单一或少数几种不同的物体，这限制了它们的应用范围。为了解决这一问题，类别级物体姿态估计最近得到了重新关注，其目标是预测给定物体类别集合中未见过实例的6D姿态及3D度量尺寸。然而，由于类内形状变化严重，这是一个更具挑战性的任务。为此，我们提出了一种新的框架GPV-Pose，用于稳健的类别级姿态估计，通过利用几何见解来增强类别级姿态敏感特征的学习。首先，我们引入了一种解耦的信心驱动旋转表示方法，该方法允许几何感知地恢复相关的旋转矩阵。其次，我们提出了一种新颖的几何引导点投票范式，以实现3D物体边界框的稳健检索。最后，借助这些不同的输出流，我们可以施加多个几何一致性约束项，进一步提高性能，特别是在非对称类别上。GPV-Pose在常见的公开基准测试中表现出优于现有最先进竞争对手的结果，并且几乎实现了实时推理速度（20 FPS）。