論文の概要: TriCons-Pose: Triangle-Invariant Geometric Consistency Learning for Category-Level Object Pose Estimation

• arxiv url: http://arxiv.org/abs/2607.10754v1
• Date: Sun, 12 Jul 2026 13:05:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.524267
• Title: TriCons-Pose: Triangle-Invariant Geometric Consistency Learning for Category-Level Object Pose Estimation
• Title（参考訳）: TriCons-Pose:カテゴリーレベルオブジェクトポス推定のための三角形不変幾何整合学習
• Authors: Zuzhi Yang, Shuai Wang, Mounir Kaaniche, Ziwei Li, Zhiming Cheng, Zhidong Zhao, Chenggang Yan,
• Abstract要約: カテゴリーレベルのオブジェクトのポーズ推定は、学術と産業の両方において不可欠だが難しい課題である。 我々は、安定なキーポイントとアグリゲート・ポーズ不変のキューを固定するために、カテゴリレベルオブジェクトポス推定のための新しい三角形不変幾何整合学習(TriCons-Pose)を開発した。
• 参考スコア（独自算出の注目度）: 22.478159374029755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Category-level object pose estimation is a crucial yet challenging task in both academia and industry, and has achieved remarkable success by leveraging keypoint-based correspondence paradigms. However, most existing methods increasingly rely on stronger feature learning while overlooking whether the established correspondences are geometrically stable across diverse perturbations. This often results in fragile pose recovery under intra-class shape variations and occlusions. To tackle this challenge, we develop a novel Triangle-Invariant Geometric Consistency Learning for Category-Level Object Pose Estimation (TriCons-Pose) to anchor stable keypoints and aggregate pose-invariant cues, yielding reliable canonical mapping and accurate pose estimation. Specifically, a Structure-Consistent Keypoint Detector (SCKD) is designed to identify robust keypoints by enforcing cross-view structural consistency via normalized pairwise distance matching. Moreover, we propose a Pose-Invariant Geometric Aggregator (PIGA) to augment keypoint representations by injecting triangle-based pose-invariant descriptors into a local-to-global attention mechanism. The proposed framework is optimized using standard objective functions while incorporating an additional geometry consistency loss. Extensive experiments on REAL275, CAMERA25, and HouseCat6D datasets demonstrate the effectiveness of the proposed approach.
• 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、学術と産業の両方において重要かつ困難な課題であり、キーポイントベースの対応パラダイムを活用することで、目覚ましい成功を収めた。 しかし、既存のほとんどの手法はより強力な特徴学習に依存しつつ、確立された対応が様々な摂動にまたがって幾何的に安定であるかを見落としている。 これはしばしば、クラス内形状の変化と閉塞の下で脆弱なポーズ回復をもたらす。 この課題に対処するために、安定なキーポイントとアグリゲートポーズ不変キューを固定し、信頼性の高い正準写像と正確なポーズ推定を実現するために、カテゴリレベルオブジェクトポス推定のための新しい三角形不変幾何整合性学習(TriCons-Pose)を開発した。 具体的には、SCKD(Structure-Consistent Keypoint Detector)は、正規化されたペアワイズ距離マッチングを通じて、クロスビュー構造一貫性を強制することにより、ロバストなキーポイントを識別するように設計されている。 さらに,三角形に基づくポーズ不変記述子を局所的・言語的アテンション機構に注入することにより,キーポイント表現を増強する Pose-Invariant Geometric Aggregator (PIGA) を提案する。 提案フレームワークは、幾何整合損失を付加しつつ、標準目的関数を用いて最適化されている。 REAL275、CAMERA25、HouseCat6Dデータセットに関する大規模な実験は、提案手法の有効性を実証している。

関連論文リスト

• ComPose: A Unified Completion-Pose Framework for Robust Category-Level Object Pose Estimation [44.69407221741985]
  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。
  論文  参考訳（メタデータ） (2026-05-25T08:10:06Z)
• 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)
• 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)
• 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)

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。