論文の概要: KASALv2: Fully Automatic 3D Rotational Symmetry Classification and Axis Localization

• arxiv url: http://arxiv.org/abs/2610.09534v1
• Date: Wed, 07 Oct 2026 06:37:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.752893
• Title: KASALv2: Fully Automatic 3D Rotational Symmetry Classification and Axis Localization
• Title（参考訳）: KASALv2: 完全自動3次元回転対称性分類と軸位置決め
• Abstract要約: 本研究は、対称性型分類、回転次数同定、全軸局所化のための完全自動フレームワークを導入する。 理想化された実世界のデータセットの実験は、強い精度と一般化を示し、GSOの438対称オブジェクトに対して94.75%の精度を達成した。
• 参考スコア（独自算出の注目度）: 31.317470474113662
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rotational symmetry is an important prior in 6D pose estimation, improving pose accuracy and supporting symmetry-aware evaluation. However, current symmetry annotations for 3D objects remain largely manual or semi-automatic, often requiring predefined types or orders, which limits scalability. This work introduces a fully automatic, reference-free framework for symmetry-type classification, rotational-order identification, and full-axis localization across all eight canonical 3D rotational symmetry types. The method localizes a dominant high-order axis, infers its rotational order through self-consistency analysis, and reconstructs the complete symmetry structure under a hierarchy-guided formulation. A texture-aware extension further models appearance-induced reductions in rotational order while preserving axis orientations. Experiments on idealized and real-world datasets demonstrate strong accuracy and generalization, achieving 94.75% accuracy on 438 symmetric objects in GSO. Training FoundationPose with these priors improves accuracy by up to 0.9% across five BOP datasets, showing that automatically estimated rotational priors improve downstream 6D pose estimation. Code is available at https://github.com/WangYuLin-SEU/KASAL.
• Abstract（参考訳）: 回転対称性は6次元ポーズ推定において重要な先行性であり、ポーズ精度を改善し、対称性を考慮した評価をサポートする。 しかし、3Dオブジェクトに対する現在の対称性のアノテーションは、主に手動または半自動であり、しばしばスケーラビリティを制限する事前定義された型や順序を必要とする。 この研究は、対称性型の分類、回転次数同定、および8つの正準3次元回転対称性の全てにまたがる全軸局所化のための完全に自動化された参照なしのフレームワークを導入する。 この手法は、支配的な高次軸を局所化し、自己整合性解析によりその回転順序を推定し、階層誘導型定式化の下で完全な対称性構造を再構成する。 テクスチャ認識拡張は、軸方向を保ちながら、外観による回転順の減少をモデル化する。 理想化された実世界のデータセットの実験は、強い精度と一般化を示し、GSOの438対称オブジェクトに対して94.75%の精度を達成した。 これらの事前のトレーニング FoundationPoseは、5つのBOPデータセットで最大0.9%の精度向上を実現している。 コードはhttps://github.com/WangYuLin-SEU/KASALで公開されている。

関連論文リスト

• Rotational Symmetry based Object Pose Estimation from Point Clouds in the Absence of Known 3D Models [11.936800943644641]
  提案手法は, 既知の3次元モデルを用いずに, ポイントクラウド用に特別に作成したデータセットを用いて評価する。 実験結果から,提案手法は既知の3次元モデルに依存する手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2026-06-15T11:41:15Z)
• SymTRELLIS: Symmetry-Enforced Voxel Latents for 3D Generation [10.616258272621836]
  フローベースTRELLIS.2の3次元生成において任意の有限点群対称性を強制する手法であるSymTRELLISを提案する。 266の厳密な対称オブジェクトのキュレートされたベンチマークでは、SymTRELLISはTRELLIS.2、Hunyuan3D-2.1、TripoSGと比較して、すべての対称性エラーメトリクスを著しく削減している。
  論文  参考訳（メタデータ） (2026-06-02T18:11:41Z)
• Orient Anything V2: Unifying Orientation and Rotation Understanding [106.90704703054115]
  Orient Anything V2は、オブジェクト3Dの向きと回転を一対または一対の画像から統一的に理解するための拡張モデルである。 V2はこの能力を拡張し、様々な回転対称性を持つ物体を扱い、相対回転を直接推定する。 オブジェクト指向推定,6DoFポーズ推定,および11の広く使用されているベンチマークにおけるオブジェクト対称性認識における最先端のゼロショット性能を実現する。
  論文  参考訳（メタデータ） (2026-01-09T06:43:59Z)
• Zero-shot Inexact CAD Model Alignment from a Single Image [53.37898107159792]
  1つの画像から3Dシーン構造を推測する実践的なアプローチは、データベースから密に一致する3Dモデルを検索し、画像内のオブジェクトと整列させることである。 既存のメソッドは、イメージによる教師付きトレーニングとアノテーションのポーズに依存しており、オブジェクトカテゴリの狭いセットに制限されている。 ポーズアノテーションを必要とせず、未知のカテゴリに一般化する不正確な3次元モデルの弱い教師付き9-DoFアライメント法を提案する。
  論文  参考訳（メタデータ） (2025-07-04T04:46:59Z)
• DLTPose: 6DoF Pose Estimation From Accurate Dense Surface Point Estimates [0.0]
  DoseはRGBD画像から6DoFオブジェクトのポーズ推定を行う新しい手法である。 キーポイント法の精度と高密度画素ワイド予測の堅牢性を組み合わせる。
  論文  参考訳（メタデータ） (2025-04-09T23:30:22Z)
• VI-Net: Boosting Category-level 6D Object Pose Estimation via Learning Decoupled Rotations on the Spherical Representations [55.25238503204253]
  作業を容易にするために,VI-Netと呼ばれる新しい回転推定ネットワークを提案する。 球面信号を処理するために、SPAtial Spherical Convolutionの新たな設計に基づいて、球面特徴ピラミッドネットワークを構築する。 ベンチマークデータセットの実験により,提案手法の有効性が確認された。
  論文  参考訳（メタデータ） (2023-08-19T05:47:53Z)
• SO-Pose: Exploiting Self-Occlusion for Direct 6D Pose Estimation [98.83762558394345]
  SO-Poseは、オブジェクトの6自由度(6DoF)をすべて、単一のRGBイメージから散らばった環境でポーズさせるフレームワークである。 本稿では,3次元オブジェクトの2層表現を確立するために,自己閉塞に関する新たな推論を導入する。 対応性,自己閉塞性,6次元ポーズを整列する層間合成により,精度とロバスト性をさらに向上させることができる。
  論文  参考訳（メタデータ） (2021-08-18T19:49:29Z)
• FS-Net: Fast Shape-based Network for Category-Level 6D Object Pose Estimation with Decoupled Rotation Mechanism [49.89268018642999]
  6次元ポーズ推定のための効率的なカテゴリレベルの特徴抽出が可能な高速形状ベースネットワーク(FS-Net)を提案する。 提案手法は,カテゴリレベルおよびインスタンスレベルの6Dオブジェクトのポーズ推定における最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-03-12T03:07:24Z)
• Robust 6D Object Pose Estimation by Learning RGB-D Features [59.580366107770764]
  本稿では、この局所最適問題を解くために、回転回帰のための離散連続的な新しい定式化を提案する。 我々はSO(3)の回転アンカーを均一にサンプリングし、各アンカーから目標への制約付き偏差を予測し、最適な予測を選択するための不確実性スコアを出力する。 LINEMOD と YCB-Video の2つのベンチマーク実験により,提案手法が最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-02-29T06:24:55Z)

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。