論文の概要: Exploring 6D Object Pose Estimation with Deformation

• arxiv url: http://arxiv.org/abs/2604.06720v1
• Date: Wed, 08 Apr 2026 06:35:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.366986
• Title: Exploring 6D Object Pose Estimation with Deformation
• Title（参考訳）: 変形を伴う6次元物体位置推定の探索
• Authors: Zhiqiang Liu, Rui Song, Duanmu Chuangqi, Jiaojiao Li, David Ferstl, Yinlin Hu,
• Abstract要約: DeSOPEは6DoFデフォルメドオブジェクトのための大規模なデータセットである。 26の一般的なオブジェクトカテゴリの高忠実度3Dスキャンが特徴で、それぞれが1つの標準状態と3つの変形した構成でキャプチャされる。 さまざまなシナリオにまたがる133Kフレームを備えたRGB-Dデータセットや、セミオートマチックパイプラインを通じて生成された665Kのアノテーションも備えている。
• 参考スコア（独自算出の注目度）: 20.91636743457344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present DeSOPE, a large-scale dataset for 6DoF deformed objects. Most 6D object pose methods assume rigid or articulated objects, an assumption that fails in practice as objects deviate from their canonical shapes due to wear, impact, or deformation. To model this, we introduce the DeSOPE dataset, which features high-fidelity 3D scans of 26 common object categories, each captured in one canonical state and three deformed configurations, with accurate 3D registration to the canonical mesh. Additionally, it features an RGB-D dataset with 133K frames across diverse scenarios and 665K pose annotations produced via a semi-automatic pipeline. We begin by annotating 2D masks for each instance, then compute initial poses using an object pose method, refine them through an object-level SLAM system, and finally perform manual verification to produce the final annotations. We evaluate several object pose methods and find that performance drops sharply with increasing deformation, suggesting that robust handling of such deformations is critical for practical applications. The project page and dataset are available at https://desope-6d.github.io/}{https://desope-6d.github.io/.
• Abstract（参考訳）: 6DoF変形物体の大規模データセットであるDeSOPEを提案する。 たいていの6Dオブジェクトのポーズ法は、剛体または調音されたオブジェクトを仮定するが、これは実際には、物体が摩耗、衝撃、変形によって標準形状から逸脱しているため失敗する仮定である。 これをモデル化するために、DeSOPEデータセットを導入し、26の共通対象カテゴリの高忠実度3Dスキャンを行い、それぞれが1つの標準状態と3つの変形した構成で取得され、正確な標準メッシュへの3D登録を行う。 さらに、さまざまなシナリオにまたがる133Kフレームを備えたRGB-Dデータセットと、セミオートマチックパイプラインを通じて生成された665Kのアノテーションを備えている。 まず、各インスタンスに2Dマスクをアノテートし、オブジェクトポーズメソッドを使用して初期ポーズを計算し、オブジェクトレベルのSLAMシステムを通じてそれらを洗練し、最後に手動による検証を行い、最終的なアノテーションを生成する。 いくつかのオブジェクトポーズ法を評価し,変形の増加に伴って性能が急激に低下し,そのような変形のロバストなハンドリングが実用化に不可欠であることが示唆された。 プロジェクトページとデータセットはhttps://desope-6d.github.io/}{https://desope-6d.github.io/で公開されている。

関連論文リスト

• Beyond 'Templates': Category-Agnostic Object Pose, Size, and Shape Estimation from a Single View [69.6117755984012]
  物体の6Dポーズ、サイズ、形状を視覚入力から推定することは、コンピュータビジョンの基本的な問題である。 一つのRGB-D画像から6次元のポーズ,サイズ,密な形状を同時に予測する統合されたカテゴリ非依存フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-13T17:49:15Z)
• Any6D: Model-free 6D Pose Estimation of Novel Objects [76.30057578269668]
  我々は,6次元オブジェクトのポーズ推定のためのモデルフリーフレームワークであるAny6Dを紹介する。 新たなシーンでは、未知の物体の6Dポーズと大きさを推定するために、1枚のRGB-Dアンカー画像しか必要としない。 提案手法を5つの挑戦的データセットで評価する。
  論文  参考訳（メタデータ） (2025-03-24T13:46:21Z)
• Unseen Object 6D Pose Estimation: A Benchmark and Baselines [62.8809734237213]
  本稿では,新しい物体の6次元ポーズ推定をアルゴリズムで行えるようにするための新しいタスクを提案する。 実画像と合成画像の両方でデータセットを収集し、テストセットで最大48個の未確認オブジェクトを収集する。 エンド・ツー・エンドの3D対応ネットワークをトレーニングすることにより、未確認物体と部分ビューRGBD画像との対応点を高精度かつ効率的に見つけることができる。
  論文  参考訳（メタデータ） (2022-06-23T16:29:53Z)
• ZebraPose: Coarse to Fine Surface Encoding for 6DoF Object Pose Estimation [76.31125154523056]
  物体表面を高密度に表現できる離散ディスクリプタを提案する。 また,微粒化対応予測が可能な微粒化学習戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-17T16:16:24Z)
• Pose Estimation of Specific Rigid Objects [0.7931904787652707]
  本稿では,RGBまたはRGB-D入力画像から剛体物体の6次元ポーズを推定する問題に対処する。 この問題は、ロボット操作、拡張現実、自律運転など、多くの応用分野において非常に重要である。
  論文  参考訳（メタデータ） (2021-12-30T14:36:47Z)
• Leveraging SE(3) Equivariance for Self-Supervised Category-Level Object Pose Estimation [30.04752448942084]
  カテゴリーレベルのオブジェクトポーズ推定は、オブジェクトCADモデルにアクセスすることなく、既知のカテゴリから未確認のオブジェクトインスタンスの6Dオブジェクトポーズを見つけることを目的としている。 本研究では,1つの3次元点群からカテゴリレベルの6次元オブジェクトのポーズを推定する自己教師型学習フレームワークを初めて提案する。
  論文  参考訳（メタデータ） (2021-10-30T06:46:44Z)
• Shape Prior Deformation for Categorical 6D Object Pose and Size Estimation [62.618227434286]
  RGB-D画像から見えないオブジェクトの6Dポーズとサイズを復元する新しい学習手法を提案する。 本研究では,事前学習したカテゴリ形状からの変形を明示的にモデル化することにより,3次元オブジェクトモデルを再構築するディープネットワークを提案する。
  論文  参考訳（メタデータ） (2020-07-16T16:45:05Z)
• Single Shot 6D Object Pose Estimation [11.37625512264302]
  深度画像に基づく剛体物体の6次元オブジェクトポーズ推定のための新しい単一ショット手法を提案する。 完全な畳み込みニューラルネットワークを用い、3次元入力データを空間的に離散化し、ポーズ推定を回帰タスクとみなす。 GPU上の65fpsでは、Object Pose Network(OP-Net)は非常に高速で、エンドツーエンドに最適化され、画像内の複数のオブジェクトの6Dポーズを同時に推定する。
  論文  参考訳（メタデータ） (2020-04-27T11:59:11Z)

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。