論文の概要: Prior-free relative 6D pose estimation of multiple object instances

• arxiv url: http://arxiv.org/abs/2609.08949v1
• Date: Tue, 08 Sep 2026 16:07:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 15:13:02.954076
• Title: Prior-free relative 6D pose estimation of multiple object instances
• Title（参考訳）: 複数オブジェクトインスタンスの事前自由相対的6次元ポーズ推定
• Abstract要約: そこで本研究では,シーン内でどのオブジェクトを配置すべきかを前提とした,事前自由な相対的6Dポーズ推定手法を提案する。 この新しい設定は、CADモデル、テンプレート、参照画像を必要とすることなく、同じ画像内の未知のオブジェクトの複数のインスタンスの相対的なポーズを推定することを目的としている。
• 参考スコア（独自算出の注目度）: 15.516176223256641
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object 6D pose estimation formulations have progressively reduced reliance on object-specific priors, evolving from explicit 3D models to multi-view object captures to single reference images. We take this progression to its extreme by introducing prior-free relative 6D pose estimation, which lifts the assumption of knowing which object is to be posed within the scene. This novel setting aims to estimate the relative poses of multiple instances of an unknown object within the same image, without requiring CAD models, templates, or reference images. We solve this by formulating a novel method (PROSE) that finds coarse correspondences between object instances using multimodal foundation features, thus requiring no training. We refine these correspondences by imposing cycle consistency across tuples of instances, and leverage the resulting globally consistent correspondences to estimate the relative 6D pose between any pair of instances. To enable systematic evaluation, we design a novel benchmark (PRENCH) built from three multi-instance BOP datasets and enriched with task-specific metadata. PROSE consistently outperforms baselines obtained by adapting state-of-the-art single-image methods to the proposed setting, while requiring neither task-specific supervision nor additional learned components. Project website: https://tev-fbk.github.io/PROSE/
• Abstract（参考訳）: オブジェクト6Dポーズ推定の定式化は、明示的な3Dモデルから、マルチビューオブジェクトキャプチャから単一の参照画像へと進化し、オブジェクト固有の事前への依存を徐々に減らした。 我々は、この進行を極端に捉え、前自由な相対的な6Dポーズ推定を導入し、どの物体がシーン内に置かれるかを仮定する。 この新しい設定は、CADモデル、テンプレート、参照画像を必要とすることなく、同じ画像内の未知のオブジェクトの複数のインスタンスの相対的なポーズを推定することを目的としている。 提案手法は,マルチモーダル基礎特徴を用いたオブジェクトインスタンス間の粗い対応を見つける新しい手法 (PROSE) を定式化し,学習を必要としない。 我々はこれらの対応を、インスタンスのタプル間でサイクル整合性を付与することで洗練し、結果のグローバルな整合性を利用して、任意のインスタンス間の相対的な6Dポーズを推定する。 システム評価を実現するため、3つのマルチインスタンスBOPデータセットから構築され、タスク固有のメタデータに富む新しいベンチマーク(PRENCH)を設計する。 PROSEは、タスク固有の監督も追加の学習コンポーネントも必要とせず、最先端の単一イメージメソッドを提案設定に適応することで得られるベースラインを一貫して上回る。 プロジェクトウェブサイト:https://tev-fbk.github.io/PROSE/

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)
• One2Any: One-Reference 6D Pose Estimation for Any Object [98.50085481362808]
  6Dオブジェクトのポーズ推定は、完全な3Dモデルへの依存、マルチビューイメージ、特定のオブジェクトカテゴリに限定したトレーニングのため、多くのアプリケーションにとって依然として困難である。 本稿では,単一の参照単一クエリRGB-D画像のみを用いて,相対6自由度(DOF)オブジェクトのポーズを推定する新しい手法One2Anyを提案する。 複数のベンチマークデータセットの実験により、我々のモデルは新しいオブジェクトによく一般化し、最先端の精度を実現し、また、コンピュータのごく一部でマルチビューやCAD入力を必要とする競合する手法さえも実現している。
  論文  参考訳（メタデータ） (2025-05-07T03:54:59Z)
• FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects [55.77542145604758]
  FoundationPoseは、6Dオブジェクトのポーズ推定と追跡のための統合基盤モデルである。 我々のアプローチは、微調整なしで、テスト時に新しいオブジェクトに即座に適用できる。
  論文  参考訳（メタデータ） (2023-12-13T18:28:09Z)
• SAM-6D: Segment Anything Model Meets Zero-Shot 6D Object Pose Estimation [45.951483980557825]
  SAM-6Dは,インスタンス分割とポーズ推定を含む2つのステップでタスクを実現するように設計された新しいフレームワークである。 SAM-6Dは、対象オブジェクトが与えられた場合、インスタンスモデル(ISM)とポス推定モデル(PEM)の2つの専用サブネットワークを使用する。 ISMはSAMを先進的な出発点として、すべての可能なオブジェクトの提案を生成し、有効なものを選択的に保存する。 PEMは、背景トークンの新しい設計を特徴とする2段階の点マッチングプロセスを実行し、密集した3D-3D対応を構築する。
  論文  参考訳（メタデータ） (2023-11-27T10:50:47Z)
• ZS6D: Zero-shot 6D Object Pose Estimation using Vision Transformers [9.899633398596672]
  ゼロショット新規オブジェクト6Dのポーズ推定にZS6Dを導入する。 事前訓練された視覚変換器(ViT)を用いて抽出された視覚ディスクリプタは、レンダリングテンプレートのマッチングに使用される。 LMO、YCBV、TLESSデータセットで実験が行われる。
  論文  参考訳（メタデータ） (2023-09-21T11:53:01Z)
• MegaPose: 6D Pose Estimation of Novel Objects via Render & Compare [84.80956484848505]
  MegaPoseは、トレーニング中に見えない新しいオブジェクトの6Dポーズを推定する方法である。 本稿では,新しいオブジェクトに適用可能なR&Compare戦略に基づく6次元ポーズリファインダを提案する。 第2に,合成レンダリングと同一物体の観察画像間のポーズ誤差をリファインダで補正できるか否かを分類するために訓練されたネットワークを利用する,粗いポーズ推定のための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-12-13T19:30:03Z)
• COPE: End-to-end trainable Constant Runtime Object Pose Estimation [27.812786116392584]
  最先端オブジェクトのポーズ推定は、複数モデルの定式化を使用して、テストイメージ内の複数のインスタンスを処理する。 本稿では,複数のオブジェクトの中間的幾何学的表現を学習して,テスト画像中の全インスタンスの6Dポーズを直接回帰する手法を提案する。
  論文  参考訳（メタデータ） (2022-08-18T12:58:53Z)
• 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)
• Coupled Iterative Refinement for 6D Multi-Object Pose Estimation [64.7198752089041]
  既知の3DオブジェクトのセットとRGBまたはRGB-Dの入力画像から、各オブジェクトの6Dポーズを検出して推定する。 我々のアプローチは、ポーズと対応を緊密に結合した方法で反復的に洗練し、アウトレーヤを動的に除去して精度を向上させる。
  論文  参考訳（メタデータ） (2022-04-26T18:00:08Z)

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。