論文の概要: ComPose: A Unified Completion-Pose Framework for Robust Category-Level Object Pose Estimation

• arxiv url: http://arxiv.org/abs/2605.25553v1
• Date: Mon, 25 May 2026 08:10:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.460142
• Title: ComPose: A Unified Completion-Pose Framework for Robust Category-Level Object Pose Estimation
• Title（参考訳）: ComPose:ロバストなカテゴリレベルオブジェクトポス推定のための統合コンプリートパスフレームワーク
• Authors: Huan Ren, Yihan Chen, Chuxin Wang, Nailong Liu, Wenfei Yang, Tianzhu Zhang,
• Abstract要約: カテゴリーレベルのオブジェクトポーズ推定は、特定のカテゴリにおける任意のオブジェクトのポーズとサイズを予測することを目的としている。 既存の方法は観測された点雲の固有の不完全性に苦しむ。 形状補完を密に統合する新しい統合フレームワークであるComPoseを提案する。
• 参考スコア（独自算出の注目度）: 44.69407221741985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Category-level object pose estimation aims to predict the pose and size of arbitrary objects in specific categories. Existing methods struggle with the inherent incompleteness of observed point clouds, which limits their ability to capture complete object shapes for robust pose reasoning. While point cloud completion offers a promising solution, naively treating it as a separate preprocessing step for partial observations introduces compounding errors and additional computational overhead, ultimately hindering both accuracy and efficiency. To address these challenges, we propose ComPose, a novel unified framework that tightly integrates shape completion to provide complete geometric cues for enhanced pose estimation. At the core of ComPose is a keypoint-based progressive completion module, which recovers full shape representations by progressively predicting a sparse set of keypoints and their surrounding dense point sets, empowering the keypoints to capture holistic object geometries. A geometric relation encoding module further enriches keypoint features with both local and global geometric context. In addition, we introduce a novel geometric relation consistency loss to enforce structural alignment between observed keypoints and their predicted NOCS coordinates, ensuring globally coherent coordinate transformations. Extensive experiments on standard benchmarks demonstrate that our method outperforms state-of-the-art approaches without relying on category-level shape priors.
• Abstract（参考訳）: カテゴリーレベルのオブジェクトポーズ推定は、特定のカテゴリにおける任意のオブジェクトのポーズとサイズを予測することを目的としている。 既存の手法は観測点雲の固有の不完全性に苦しむが、これは頑健なポーズ推論のために完全な物体の形状を捉える能力を制限する。 ポイントクラウドの完成は有望な解決策を提供する一方で、部分的な観測のための別々の前処理ステップとして、複雑なエラーと計算オーバーヘッドを導入し、最終的には精度と効率の両方を妨げる。 これらの課題に対処するため,提案するComPoseは,形状の整合性を密に統合し,ポーズ推定を向上するための完全な幾何学的手がかりを提供する,新しい統一フレームワークである。 ComPoseのコアにはキーポイントベースのプログレッシブ・コンプリート・コンプリート・モジュールがあり、キーポイントとその周辺に密接な点集合のスパース集合を段階的に予測し、キーポイントが全体的対象ジオメトリを捕捉する権限を与えることで、完全な形状の表現を復元する。 幾何学的関係符号化モジュールは、局所的および大域的幾何学的文脈の両方でキーポイント特徴をさらに強化する。 さらに、観測されたキーポイントとその予測されたNOCS座標間の構造的アライメントを強制し、グローバルなコヒーレントな座標変換を保証するために、新しい幾何的関係整合損失を導入する。 標準ベンチマークでの大規模な実験により,本手法はカテゴリーレベルの形状に頼らずに最先端の手法より優れていることが示された。

関連論文リスト

• Object Pose Transformer: Unifying Unseen Object Pose Estimation [54.20344997573707]
  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。
  論文  参考訳（メタデータ） (2026-03-24T16:04:16Z)
• Instance-Adaptive Keypoint Learning with Local-to-Global Geometric Aggregation for Category-Level Object Pose Estimation [19.117822086210513]
  カテゴリレベルのオブジェクトのポーズ推定は、事前に定義されたカテゴリから未確認のインスタンスの6Dのポーズとサイズを予測することを目的としている。 Instance-Adaptive Keypoint Learningを可能にする新しいカテゴリレベルのオブジェクトポーズ推定フレームワークであるINKL-Poseを提案する。 CAMERA25、REAL275、HouseCat6Dの実験では、INKL-Poseは16.7Mパラメータで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-04-21T14:37:37Z)
• Learning Shape-Independent Transformation via Spherical Representations for Category-Level Object Pose Estimation [42.48001557547222]
  カテゴリーレベルのオブジェクトポーズ推定は、特定のカテゴリにおける新しいオブジェクトのポーズとサイズを決定することを目的としている。 既存の対応に基づくアプローチは、通常、原始的な観測点と正規化されたオブジェクト座標の間の対応を確立するために点ベースの表現を採用する。 SpherePoseと呼ばれる新しいアーキテクチャを導入し、3つのコア設計を通して正確な対応予測を行う。
  論文  参考訳（メタデータ） (2025-03-18T05:43:42Z)
• ESCAPE: Equivariant Shape Completion via Anchor Point Encoding [79.59829525431238]
  回転同変形状補完を実現するためのフレームワークであるESCAPEを紹介する。 ESCAPEは、形状からアンカーポイントを選択し、すべてのポイントを全てのアンカーポイントまでの距離として表現することで、独特の符号化戦略を採用している。 ESCAPEは任意の回転と翻訳をまたいだ堅牢で高品質な再構成を実現する。
  論文  参考訳（メタデータ） (2024-12-01T20:05:14Z)
• Towards Self-Supervised Category-Level Object Pose and Size Estimation [121.28537953301951]
  本研究は,一深度画像からのカテゴリレベルのオブジェクトポーズとサイズ推定のための自己教師型フレームワークを提案する。 我々は、同じ形状の点雲における幾何学的整合性を利用して自己超越する。
  論文  参考訳（メタデータ） (2022-03-06T06:02:30Z)
• 3D Object Classification on Partial Point Clouds: A Practical Perspective [91.81377258830703]
  点雲は3次元オブジェクト分類において一般的な形状表現である。 本稿では,任意のポーズの下でオブジェクトインスタンスの部分点雲を分類する実践的な設定を提案する。 本稿では,アライメント分類手法による新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-18T04:00:56Z)
• Skeleton-bridged Point Completion: From Global Inference to Local Adjustment [48.2757171993437]
  形状整形のための骨格ブリッジ型点完備ネットワーク(SK-PCN)を提案する。 部分スキャンにより,まずその3次元骨格を予測し,大域構造を求める。 形状の完備化を構造推定と表面再構成に分離し,学習の難易度を緩和する。
  論文  参考訳（メタデータ） (2020-10-14T22:49:30Z)
• Point-Set Anchors for Object Detection, Instance Segmentation and Pose Estimation [85.96410825961966]
  中心点から抽出された画像の特徴は、離れたキーポイントや境界ボックスの境界を予測するための限られた情報を含んでいると論じる。 推論を容易にするために,より有利な位置に配置された点集合からの回帰を行うことを提案する。 我々は、オブジェクト検出、インスタンス分割、人間のポーズ推定にPoint-Set Anchorsと呼ばれるこのフレームワークを適用した。
  論文  参考訳（メタデータ） (2020-07-06T15:59:56Z)

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。