論文の概要: Object Pose Transformer: Unifying Unseen Object Pose Estimation

• arxiv url: http://arxiv.org/abs/2603.23370v1
• Date: Tue, 24 Mar 2026 16:04:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.575224
• Title: Object Pose Transformer: Unifying Unseen Object Pose Estimation
• Title（参考訳）: Object Pose Transformer: 見えないオブジェクトのPose推定を統一する
• Authors: Weihang Li, Lorenzo Garattoni, Fabien Despinoy, Nassir Navab, Benjamin Busam,
• Abstract要約: モデルなしのオブジェクトポーズ推定を未知のインスタンスで学習することは、3Dビジョンにおける根本的な課題である。 我々のチームは、RGB入力から深度、ポイントマップ、カメラパラメータ、正規化されたオブジェクト座標を共同で予測します。 当社はカメラ非依存で、カメラ固有の知識をオンザフライで学習し、メトリックスケールリカバリのためのオプションの深度入力をサポートします。
• 参考スコア（独自算出の注目度）: 54.20344997573707
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning model-free object pose estimation for unseen instances remains a fundamental challenge in 3D vision. Existing methods typically fall into two disjoint paradigms: category-level approaches predict absolute poses in a canonical space but rely on predefined taxonomies, while relative pose methods estimate cross-view transformations but cannot recover single-view absolute pose. In this work, we propose Object Pose Transformer (\ours{}), a unified feed-forward framework that bridges these paradigms through task factorization within a single model. \ours{} jointly predicts depth, point maps, camera parameters, and normalized object coordinates (NOCS) from RGB inputs, enabling both category-level absolute SA(3) pose and unseen-object relative SE(3) pose. Our approach leverages contrastive object-centric latent embeddings for canonicalization without requiring semantic labels at inference time, and uses point maps as a camera-space representation to enable multi-view relative geometric reasoning. Through cross-frame feature interaction and shared object embeddings, our model leverages relative geometric consistency across views to improve absolute pose estimation, reducing ambiguity in single-view predictions. Furthermore, \ours{} is camera-agnostic, learning camera intrinsics on-the-fly and supporting optional depth input for metric-scale recovery, while remaining fully functional in RGB-only settings. Extensive experiments on diverse benchmarks (NOCS, HouseCat6D, Omni6DPose, Toyota-Light) demonstrate state-of-the-art performance in both absolute and relative pose estimation tasks within a single unified architecture.
• Abstract（参考訳）: モデルなしのオブジェクトポーズ推定を未知のインスタンスで学習することは、3Dビジョンにおける根本的な課題である。 カテゴリーレベルのアプローチは、標準空間における絶対的なポーズを予測するが、事前に定義された分類に依存し、相対的なポーズ法はクロスビュー変換を推定するが、単一ビューの絶対的なポーズを回復することはできない。 本研究では,単一モデル内のタスク因数分解を通じてこれらのパラダイムをブリッジする統合フィードフォワードフレームワークであるObject Pose Transformer (\ours{})を提案する。 \ours{} は、RGB入力から深度、点マップ、カメラパラメータ、および正規化されたオブジェクト座標(NOCS)を共同で予測し、カテゴリレベルの絶対SA(3)ポーズと見えない相対SE(3)ポーズの両方を可能にする。 提案手法では, カメラ空間の表現としてポイントマップを用いて, 多視点の相対的幾何学的推論を可能にする。 クロスフレームな特徴相互作用と共有オブジェクトの埋め込みを通じて、ビュー間の相対的な幾何的整合性を活用し、絶対的なポーズ推定を改善し、単一ビュー予測におけるあいまいさを低減する。 さらに、 \ours{} はカメラに依存しない、カメラ固有の学習であり、メトリックスケールのリカバリのためにオプションの深度入力をサポートしながら、RGBのみの設定で完全に機能する。 多様なベンチマーク(NOCS、HouseCat6D、Omni6DPose、Toyota-Light)に関する大規模な実験は、単一の統一アーキテクチャ内の絶対的および相対的ポーズ推定タスクにおいて、最先端のパフォーマンスを示す。

関連論文リスト

• Generalized Hand-Object Pose Estimation with Occlusion Awareness [87.10073091219066]
  1枚のRGB画像から一般的な3次元手動ポーズ推定は、物体の外観や相互作用パターンに大きな変化があるため、依然として困難である。 我々は,オクルージョン認識を用いた汎用的手動ポーズ推定フレームワークであるGenHOIを提案する。
  論文  参考訳（メタデータ） (2026-03-19T15:19:23Z)
• Gaussian Alignment for Relative Camera Pose Estimation via Single-View Reconstruction [18.936573991468926]
  GARPSは、2つの独立して再構成された3Dシーンの直接的なアライメントとしてこの問題を論じる、トレーニング不要のフレームワークである。 差分可能なGMMアライメント目標を最適化することにより、フィードフォワード2ビューポーズ推定器の初期ポーズを洗練する。 Real-Estate10Kデータセットの実験では、GARPSが古典的および最先端の学習ベースの手法よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2025-09-17T02:57:34Z)
• UNOPose: Unseen Object Pose Estimation with an Unposed RGB-D Reference Image [86.7128543480229]
  見えないオブジェクトのポーズ推定方法はCADモデルや複数の参照ビューに依存することが多い。 参照取得を簡略化するために,未提示のRGB-D参照画像を用いて未確認オブジェクトのポーズを推定することを目的とする。 単参照型オブジェクトポーズ推定のための新しいアプローチとベンチマークをUNOPoseと呼ぶ。
  論文  参考訳（メタデータ） (2024-11-25T05:36:00Z)
• Generalizable Single-view Object Pose Estimation by Two-side Generating and Matching [19.730504197461144]
  本稿では,RGB画像のみを用いてオブジェクトのポーズを決定するために,新しい一般化可能なオブジェクトポーズ推定手法を提案する。 本手法は,オブジェクトの参照画像1枚で操作し,3次元オブジェクトモデルやオブジェクトの複数ビューの必要性を解消する。
  論文  参考訳（メタデータ） (2024-11-24T14:31:50Z)
• FoundPose: Unseen Object Pose Estimation with Foundation Features [11.32559845631345]
  FoundPoseは、単一のRGB画像から見えないオブジェクトを6Dポーズで推定するモデルベースの手法である。 この方法は、オブジェクトやタスク固有のトレーニングを必要とせずに、3Dモデルを使って、新しいオブジェクトを素早くオンボードできる。
  論文  参考訳（メタデータ） (2023-11-30T18:52:29Z)
• 3D-Aware Hypothesis & Verification for Generalizable Relative Object Pose Estimation [69.73691477825079]
  一般化可能なオブジェクトポーズ推定の問題に対処する新しい仮説検証フレームワークを提案する。 信頼性を計測するために,2つの入力画像から学習した3次元オブジェクト表現に3次元変換を明示的に適用する3D認識検証を導入する。
  論文  参考訳（メタデータ） (2023-10-05T13:34:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。