論文の概要: MemPose: Category-level Object Pose Estimation with Memory

• arxiv url: http://arxiv.org/abs/2607.04930v1
• Date: Mon, 06 Jul 2026 11:02:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.122832
• Title: MemPose: Category-level Object Pose Estimation with Memory
• Title（参考訳）: MemPose: メモリによるカテゴリレベルのオブジェクトポース推定
• Abstract要約: 本稿では,カテゴリレベルの幾何学的メモリをポーズ推定パイプラインに明示的に組み込んだメモリ拡張フレームワークであるMemPoseを紹介する。 本稿では,従来の最先端手法よりも提案手法の方が優れていることを示す。
• 参考スコア（独自算出の注目度）: 31.264434215261787
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the pursuit of robust and generalizable category-level object pose estimation, most existing methods adopt parametric formulations that learn effective representations from data, yet they primarily encode category-level patterns into fixed shape priors or static parameter weights, which limits their scalability to highly diverse instances. In this paper, we rethink category-level pose estimation from a memory-centric perspective and present MemPose, a memory-augmented framework that explicitly incorporates category-level geometric memory into the pose estimation pipeline. We introduce an external memory buffer that stores and dynamically updates structural representations from previously observed instances, enabling the model to leverage accumulated experience to support current perception. Extensive experiments on four challenging benchmarks (REAL275, CAMERA25, Housecat6D and Wild6D) demonstrate the superiority of our proposed method over previous state-of-the-art approaches.
• Abstract（参考訳）: 頑健で一般化可能なカテゴリレベルのオブジェクトポーズ推定を追求するために、既存のほとんどのメソッドでは、データから効果的な表現を学ぶパラメトリックな定式化を採用していますが、それらは主に、カテゴリレベルのパターンを固定形状の先行値や静的パラメータの重みにエンコードし、スケーラビリティを非常に多様なインスタンスに制限します。 本稿では、カテゴリレベルのポーズ推定をメモリ中心の観点から再考し、カテゴリレベルの幾何学的メモリを明示的にポーズ推定パイプラインに組み込むメモリ拡張フレームワークであるMemPoseを提示する。 本稿では,これまでに観測されたインスタンスから構造表現を動的に保存し,動的に更新する外部メモリバッファを提案する。 4つの挑戦的ベンチマーク(REAL275、CAMERA25、Housecat6D、Wild6D)の大規模な実験により、提案手法が従来の最先端手法よりも優れていることが示された。

関連論文リスト

• PriorPose: Reference-Guided Joint Deformation and Alignment for Category-Level Object Pose Estimation [65.40341394642324]
  カテゴリレベルのオブジェクトのポーズ推定は、インスタンス固有のCADモデルなしで未確認のインスタンスに対して$(R,t,s)$の類似性変換を復元しようとする。 最も競争力のある方法は通信方式である。 カテゴリを明示的に保持する参照誘導対応フレームワークである PreferPose を提案する。
  論文  参考訳（メタデータ） (2026-09-15T06:57:34Z)
• GIVEPose: Gradual Intra-class Variation Elimination for RGB-based Category-Level Object Pose Estimation [61.46277064819665]
  GIVEPoseは,カテゴリレベルのオブジェクトのポーズ推定のための階層内変分除去を実装したフレームワークである。 GIVEPoseは、既存の最先端のRGBベースのアプローチを大きく上回っている。
  論文  参考訳（メタデータ） (2025-03-19T11:07:01Z)
• 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)
• GenPose: Generative Category-level Object Pose Estimation via Diffusion Models [5.1998359768382905]
  カテゴリーレベルのオブジェクトポーズ推定を条件付き生成モデルとして再検討することで,新しい解を提案する。 提案手法は,厳密な5d2cmおよび5d5cmの計測値に対して50%と60%を越え,REAL275データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-06-18T11:45:42Z)
• CATRE: Iterative Point Clouds Alignment for Category-level Object Pose Refinement [52.41884119329864]
  カテゴリーレベルのオブジェクトポーズとサイズ精細化器 CATRE は、点雲からのポーズ推定を反復的に強化し、正確な結果が得られる。 提案手法は,REAL275,CAMERA25,LMのベンチマークを85.32Hzまで高速化する。
  論文  参考訳（メタデータ） (2022-07-17T05:55:00Z)
• GPV-Pose: Category-level Object Pose Estimation via Geometry-guided Point-wise Voting [103.74918834553249]
  GPV-Poseはロバストなカテゴリーレベルのポーズ推定のための新しいフレームワークである。 幾何学的洞察を利用して、カテゴリーレベルのポーズ感応的特徴の学習を強化する。 一般的な公開ベンチマークにおいて、最先端の競合相手に優れた結果をもたらす。
  論文  参考訳（メタデータ） (2022-03-15T13:58:50Z)
• 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)

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。