論文の概要: F2G-Pose: Geometry-Aware Foundation Feature Lifting for Direct RGB-D Category-Level Object Pose Estimation

• arxiv url: http://arxiv.org/abs/2610.31623v1
• Date: Thu, 22 Oct 2026 17:43:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.502614
• Title: F2G-Pose: Geometry-Aware Foundation Feature Lifting for Direct RGB-D Category-Level Object Pose Estimation
• Title（参考訳）: F2G-Pose: 直接RGB-Dカテゴリーレベルオブジェクト位置推定のための幾何学的基礎的特徴リフティング
• Abstract要約: F2G-Poseは,1つのフィードフォワードパスにおける1つのRGB-D観測から,カテゴリレベルのポーズ,メートル法サイズ,カメラフレームの完成形状を予測する,リアルタイムのダイレクト・シングルパス・フレームワークである。 F2G-Poseは、部分点雲に高密度な視覚基盤機能を持ち上げ、DGCNNトークン化で局所幾何学を符号化し、Mixture-of-Experts Transformerでオブジェクトレベルの構造を統合する。
• 参考スコア（独自算出の注目度）: 69.6117755984012
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper studies category-level RGB-D object pose estimation, which recovers an object's 3D rotation and translation without instance-specific CAD models or reference views. This task is highly ambiguous due to intra-class variations, symmetries, and partial observations. Current solutions struggle to balance reliability and efficiency: methods based on intermediate structures are prone to error propagation, while diffusion models suffer from high inference latency and complex post-hoc candidate extraction. To address this, we present F2G-Pose, a real-time direct, single-pass framework that predicts category-level pose, metric size, and camera-frame completed shape from a single RGB-D observation in one feed-forward pass. F2G-Pose lifts dense visual foundation features to partial point clouds, encodes local geometry with DGCNN tokenization, and integrates object-level structure with a Mixture-of-Experts Transformer. Joint size prediction and camera-frame shape completion encourage metric consistency through dense geometric supervision. With its task-specific network trained only on pose-annotated synthetic SOPE data and its frozen RADIO backbone externally pretrained, F2G-Pose achieves state-of-the-art accuracy on SOPE and ROPE while running at 28 FPS for pose-only inference, and further demonstrates strong camera-frame geometry on HouseCat6D and real-object transfer on HANDAL. Analyses of latency, robustness, shape completion, and GenPose++ candidate behavior further demonstrate the efficiency and reliability of F2G-Pose, with real-world manipulation experiments demonstrating deployment potential under segmented RGB-D inputs. The project page, code, and pretrained models are made available at https://jrryzh.github.io/F2G-Pose/.
• Abstract（参考訳）: 本稿では,インスタンス固有のCADモデルや参照ビューを使わずにオブジェクトの3次元回転と変換を復元する,カテゴリレベルのRGB-Dオブジェクトのポーズ推定について検討する。 この課題は、クラス内変異、対称性、部分的な観察のために非常に曖昧である。 現在のソリューションは信頼性と効率のバランスをとるのに苦労している。中間構造に基づく手法はエラーの伝播が難しく、拡散モデルは高い推論遅延と複雑なポストホック候補抽出に悩まされる。 これを解決するために、F2G-Poseは、1つのフィードフォワードパスで1つのRGB-D観測からカテゴリレベルのポーズ、メートル法サイズ、カメラフレームの完成形状を予測する、リアルタイムのダイレクト・シングルパス・フレームワークである。 F2G-Poseは、部分点雲に高密度な視覚基盤機能を持ち上げ、DGCNNトークン化で局所幾何学を符号化し、Mixture-of-Experts Transformerでオブジェクトレベルの構造を統合する。 関節の大きさの予測とカメラフレーム形状の完成は、密集した幾何学的監督を通してメートル法的な整合性を促進する。 タスク固有のネットワークは、ポーズアノテートされた合成SOPEデータと凍結されたRADIOバックボーンを外部に事前訓練しただけで、F2G-Poseはポーズオンリーの28FPSで動作しながらSOPEとROPEの最先端の精度を達成し、さらにHouseCat6D上の強力なカメラフレーム形状とHANDAL上の実物転送を実証する。 レイテンシ、堅牢性、シェイプコンプリート、GenPose++候補動作の分析により、F2G-Poseの効率性と信頼性がさらに向上し、セグメント化されたRGB-D入力下でのデプロイメントの可能性を示す実世界の操作実験が行われた。 プロジェクトページ、コード、事前訓練済みモデルはhttps://jrryzh.github.io/F2G-Pose/.comで公開されている。

関連論文リスト

• LEGAU: Learning Semantic Gaussian Priors for Scalable Category-level Pose Estimation [68.07049602984412]
  単一のRGB-D観測によるカテゴリーレベルの6Dポーズ推定は本質的に非拘束である。 我々は,NOCS対応,オブジェクトポーズ,サイズを共同で予測する統合フレームワークLEGAUを提案する。 合成および実世界のベンチマーク実験により、この合成されたポーズ-形状の定式化が強い性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-09-28T12:42:19Z)
• Action-Geometry Prediction with 3D Geometric Prior for Bimanual Manipulation [53.09168514034483]
  バイマン操作は3次元幾何学を推論し、動作中にどのように進化するかを予測し、滑らかで協調された動きを生成するポリシーを必要とする。 本稿では,事前学習した3次元幾何学的基礎モデルに基づいて,バイマン操作を直接構築するフレームワークを提案する。 我々の政策は、幾何学的認識の潜伏子、2次元意味的特徴、およびプロプレセプションを統一状態表現に融合させ、拡散モデルを用いて将来のアクションチャンクと、密度の高いポイントマップにデコードする未来の3次元潜伏子を共同で予測する。
  論文  参考訳（メタデータ） (2026-02-27T08:54:20Z)
• UniPose: Unified Cross-modality Pose Prior Propagation towards RGB-D data for Weakly Supervised 3D Human Pose Estimation [14.52285662885727]
  We present UniPose, a unified cross-modality pose before propagation method for weak supervised 3D human pose Estimation。 UniPoseは、大規模RGBデータセットから自己教師付き学習を通じて3Dドメインに2Dアノテーションを転送する。 CMU PanopticとITOPデータセットの実験は、UniPoseが完全に教師されたメソッドと同等のパフォーマンスを達成していることを示している。
  論文  参考訳（メタデータ） (2025-09-27T15:49:30Z)
• LaPose: Laplacian Mixture Shape Modeling for RGB-Based Category-Level Object Pose Estimation [43.549593231397644]
  LaPoseは、オブジェクトの形状をPose推定のためのLaplacian混合モデルとしてモデル化する、新しいフレームワークである。 各点を確率分布として表現することにより、形状の不確実性を明確に定量化する。 LaPoseは、カテゴリレベルのオブジェクトポーズ推定における最先端のパフォーマンスを得る。
  論文  参考訳（メタデータ） (2024-09-24T04:20:18Z)
• DR-Pose: A Two-stage Deformation-and-Registration Pipeline for Category-level 6D Object Pose Estimation [9.074911955402495]
  カテゴリーレベルのオブジェクトポーズ推定では、所定のカテゴリからオブジェクトの6Dポーズと3Dメトリックサイズを推定する。 近年のアプローチでは、ポーズ推定精度を向上させるために、カテゴリ形状の事前情報を参考にしている。 本稿では, DR-Poseと呼ばれる2段階の変形・登録パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-09-05T03:24:09Z)
• CheckerPose: Progressive Dense Keypoint Localization for Object Pose Estimation with Graph Neural Network [66.24726878647543]
  単一のRGB画像から固い物体の6-DoFのポーズを推定することは、非常に難しい課題である。 近年の研究では、高密度対応型解の大きな可能性を示している。 そこで本研究では,CheckerPoseというポーズ推定アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-29T17:30:53Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• Generative Category-Level Shape and Pose Estimation with Semantic Primitives [27.692997522812615]
  本稿では,1枚のRGB-D画像からカテゴリレベルのオブジェクト形状とポーズ推定を行う新しいフレームワークを提案する。 カテゴリ内変動に対処するために、様々な形状を統一された潜在空間にエンコードするセマンティックプリミティブ表現を採用する。 提案手法は,実世界のデータセットにおいて,SOTAのポーズ推定性能とより優れた一般化を実現する。
  論文  参考訳（メタデータ） (2022-10-03T17:51:54Z)

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。