論文の概要: A Geometry-Driven, Framework-Agnostic Optimization for Object Pose Estimation
- arxiv url: http://arxiv.org/abs/2608.26859v1
- Date: Thu, 27 Aug 2026 09:26:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.327174
- Title: A Geometry-Driven, Framework-Agnostic Optimization for Object Pose Estimation
- Title（参考訳）: 幾何学的・フレームワークに依存しないオブジェクト空間推定のための最適化手法
- Abstract要約: 本稿では,新しい物理基底を持つ回転表現を提案することにより,データ中心の最適化を提案する。
本手法は,物体の座標系を慣性特性から導出した固有な幾何学的軸と整合する。
さまざまなカテゴリレベルのモデルとインスタンスレベルのモデルでフレームワークを検証する。
- 参考スコア（独自算出の注目度）: 14.2683286590081
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current object pose estimation research remains predominantly model-centric, focusing on architectural innovations and post-processing refinements. This paper introduces a data-centric optimization by proposing a novel, physically grounded rotation representation through principal axes alignment. Our method aligns the object's coordinate system with its inherent geometric axes, derived from inertial properties, yielding three key advantages: Inherent Stability-leveraging the energy-minimizing property of principal axes provides a robust representation that is less sensitive to noise and occlusions; Symmetry-Aware Canonicalization-explicitly resolving rotational ambiguities for symmetric objects at the data level, which fundamentally eliminates label confusion during network training; and Framework Agnosticism-the optimization is applied purely at the dataset level, ensuring plug-and-play compatibility with existing networks without any architectural modification. We validate the framework across diverse category-level and instance-level models. Extensive experiments demonstrate consistent and significant accuracy improvements, while preserving the integrity of the baseline network. This work establishes a new, geometry-driven direction for enhancing pose estimation, circumventing the need for complex network redesign.
- Abstract（参考訳）: 現在のオブジェクトポーズ推定の研究は主にモデル中心であり、アーキテクチャの革新と後処理の改良に焦点を当てている。
本稿では,主軸アライメントによる物理接地回転表現を提案することにより,データ中心の最適化を提案する。
主軸のエネルギー最小化特性を保ち、ノイズや閉塞に敏感でない頑健な表現を提供する。シンメトリー・アウェア・カノニカライゼーションは、データレベルで対称オブジェクトの回転のあいまいさを明示的に解決し、ネットワークトレーニング中にラベルの混乱を根本的に解消する。
さまざまなカテゴリレベルのモデルとインスタンスレベルのモデルでフレームワークを検証する。
大規模な実験では、ベースラインネットワークの整合性を保ちながら、一貫した、重要な精度の改善が示されている。
この研究は、複雑なネットワークの再設計の必要性を回避するために、ポーズ推定を強化するための新しい幾何学駆動の方向を確立する。
関連論文リスト
- RODR: Riemannian Orthogonally Decoupled Regularization for Disentangled Manifold Representation [0.91963810502252]
本稿では,点クラウド処理における不整合幾何最適化のための汎用的・解釈可能なフレームワークを提案する。
実験により、RODRは最先端のベースラインに匹敵する性能に達することが示された。
論文 参考訳（メタデータ） (2026-07-27T03:12:14Z) - TriCons-Pose: Triangle-Invariant Geometric Consistency Learning for Category-Level Object Pose Estimation [22.314486838497746]
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。
論文 参考訳（メタデータ） (2026-07-12T13:05:12Z) - Beyond Point-Wise Matching: Structural Representation Alignment for Accelerating Diffusion Transformers [93.3976834364707]
本稿では,特徴写像のリレーショナル幾何における整合性を実現する構造的RePresentation AlignmentフレームワークであるsREPAを提案する。
モデルが事前訓練された特徴から全体的空間配置と構造的相関を内包するように促すことにより、sREPAはより高速でより安定した収束を達成する。
論文 参考訳（メタデータ） (2026-05-16T12:01:04Z) - Towards Foundation Models for 3D Scene Understanding: Instance-Aware Self-Supervised Learning for Point Clouds [53.82500407523346]
PointINSは、幾何学的学習を通じてポイントクラウド表現を豊かにする、インスタンス指向の自己組織化フレームワークである。
PointINSは、屋内のインスタンスセグメンテーションで平均+3.5%のmAP改善、屋外のパン光学セグメンテーションで+4.1%のPQゲインを達成している。
論文 参考訳（メタデータ） (2026-03-26T08:31:06Z) - IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。
本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
論文 参考訳（メタデータ） (2026-03-03T14:36:46Z) - Follow My Hold: Hand-Object Interaction Reconstruction through Geometric Guidance [61.41904916189093]
単眼RGB画像から手持ち物体の3次元形状を再構成する拡散法に基づく新しいフレームワークを提案する。
我々は手オブジェクト間相互作用を幾何学的ガイダンスとして使用し、手オブジェクト間相互作用を確実にする。
論文 参考訳（メタデータ） (2025-08-25T17:11:53Z) - PAID: Pairwise Angular-Invariant Decomposition for Continual Test-Time Adaptation [70.98107766265636]
本稿では,事前学習した重みの幾何学的特性を出発点として,3つの重要な成分(等級,絶対角,対角構造)を体系的に解析する。
両角構造は多種多様なドメインにわたって安定であり, ドメイン不変な意味情報を符号化し, 適応中に保存すべきことを示唆する。
論文 参考訳（メタデータ） (2025-06-03T05:18:15Z) - Geometry-Editable and Appearance-Preserving Object Compositon [67.98806888489385]
汎用オブジェクト合成(GOC)は、対象オブジェクトを望まれる幾何学的性質を持つ背景シーンにシームレスに統合することを目的としている。
近年のアプローチは意味的埋め込みを導出し、それらを高度な拡散モデルに統合し、幾何学的に編集可能な生成を可能にする。
本稿では,まずセマンティックな埋め込みを活用して,所望の幾何学的変換を暗黙的にキャプチャするDistangled Geometry-editable and Outearance-Preserving Diffusionモデルを提案する。
論文 参考訳（メタデータ） (2025-05-27T09:05:28Z) - OCMG-Net: Neural Oriented Normal Refinement for Unstructured Point Clouds [18.234146052486054]
非構造点雲から指向性正規項を推定するための頑健な精錬法を提案する。
我々のフレームワークは、初期指向の正規性を洗練させるために、特徴空間に符号配向とデータ拡張を組み込んでいる。
従来手法に存在した騒音による方向の不整合の問題に対処するため, チャンファー正規距離と呼ばれる新しい指標を導入する。
論文 参考訳（メタデータ） (2024-09-02T09:30:02Z) - Leveraging Equivariant Features for Absolute Pose Regression [9.30597356471664]
変換と回転の同変である畳み込みニューラルネットワークは,カメラの動きの表現を直接特徴空間に誘導することを示す。
次に、この幾何学的性質により、画像平面保存変換の全グループの下でトレーニングデータを暗黙的に増大させることができることを示す。
論文 参考訳（メタデータ） (2022-04-05T12:44:20Z) - A Smooth Representation of Belief over SO(3) for Deep Rotation Learning
with Uncertainty [33.627068152037815]
本稿では、3次元回転群の新しい対称行列表現 SO(3) と、学習モデルに特に適する2つの重要な性質について述べる。
我々は,2つのデータモダリティに基づいて深部神経回転回帰器を訓練することにより,定式化の利点を実証的に検証した。
この機能は、新しい入力を検出することで、学習したモデルの破滅的な失敗を防ぐ安全クリティカルなアプリケーションにとって鍵となる。
論文 参考訳（メタデータ） (2020-06-01T15:57:45Z)
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。