在計(jì)算機(jī)視覺中，我方視角就是相機(jī)鏡頭的視角。那么在當(dāng)前時刻下，如何正確的估計(jì)出相機(jī)中目標(biāo)物體的6D姿態(tài)（三維空間位置和三維朝向），將是一個重要的問題，這就是物體的6D姿態(tài)估計(jì)任務(wù)。

01摘要最近，基于RGBD的類別級6D物體姿態(tài)估計(jì)在性能上取得了很大的進(jìn)步，然而，對于深度信息的需求阻礙了其更廣泛的應(yīng)用。為了解決這一問題，本文提出了一種 "物體深度重建網(wǎng)絡(luò)"（OLD-Net）的新方法。該方法僅輸入RGB圖像進(jìn)行類別級6D物體姿態(tài)估計(jì)。我們通過將類別級形狀先驗(yàn)變形為物體級深度和規(guī)范的NOCS表示，從而實(shí)現(xiàn)由單目RGB圖像中直接預(yù)測物體級深度。我們引入了兩個新的模塊，即歸一化全局位置提示（NGPH）和形狀感知解耦深度重建（SDDR）模塊，以學(xué)習(xí)高精度的物體級深度和形狀表示。最后，通過將預(yù)測的規(guī)范表征與反向投影的物體級深度對齊，解決了6D物體的姿態(tài)問題。在CAMERA25和REAL275數(shù)據(jù)集上進(jìn)行的廣泛實(shí)驗(yàn)表明，雖然我們的模型，但達(dá)到了最先進(jìn)的性能。02本文主要工作

本文提出了一種基于RGB的類別級6D物體姿態(tài)估計(jì)新方法——Object Level Depth reconstruction Network(OLD-Net)。上圖右示為OLD-Net的主要管道。具體而言，從輸入的RGB圖像中同時預(yù)測物體級深度和NOCS表示，并將兩者對齊預(yù)測6D物體的姿態(tài)。與以往通過重構(gòu)網(wǎng)格預(yù)測物體區(qū)域深度的方法不同，本文采用端到端方式直接從RGB圖像中預(yù)測物體的觀測深度。 要獲得物體區(qū)域的深度，一種直接的方法是預(yù)測場景級深度。然而，由于視場的多樣性，通常預(yù)測的景深較粗，導(dǎo)致物體形狀細(xì)節(jié)的丟失。姿態(tài)估計(jì)性能也會受到影響。為了解決這一問題，我們通過直接學(xué)習(xí)變形類別級形狀先驗(yàn)重構(gòu)物體級深度。與預(yù)測場景級深度圖相比，重建對象級深度圖計(jì)算方便，能夠更好地保存形狀細(xì)節(jié)，有利于后續(xù)的物體級深度和NOCS表示對齊過程。 為了更好地重構(gòu)物體級深度，在OLD-Net中提出了一種新的模塊——?dú)w一化全局位置提示(NGPH)，以平衡場景級全局信息和局部特征級形狀細(xì)節(jié)。NGPH是帶相機(jī)本征的歸一化二維檢測結(jié)果，提供物體在場景中的絕對深度的全局位置線索，以及對不同相機(jī)捕捉到的圖像的泛化能力。此外，利用形狀感知解耦深度重建(SDDR)方法預(yù)測形狀細(xì)節(jié)和絕對深度。SDDR利用兩個獨(dú)立的深度網(wǎng)絡(luò)將絕對深度解耦預(yù)測為形狀點(diǎn)和深度平移。直觀上，形狀點(diǎn)是為了保留形狀細(xì)節(jié)，而深度平移是為了預(yù)測絕對物體中心。 除深度外，我們進(jìn)一步采用基于RGBD的方法預(yù)測目標(biāo)對象的NOCS表示。在訓(xùn)練過程中使用鑒別器提高重建質(zhì)量。在NOCS表示和觀測到的物體級深度都被預(yù)測之后，我們將物體級深度逆向投影到點(diǎn)云中。通過Umeyama算法對它們進(jìn)行對齊，求解出6D物體姿態(tài)。我們在CAMERA25數(shù)據(jù)集和REAL275數(shù)據(jù)集上進(jìn)行了大量的實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該方法具有先進(jìn)的性能。03網(wǎng)絡(luò)主要結(jié)構(gòu)

主要的OLD-Net的網(wǎng)絡(luò)架構(gòu)如上圖所示。 我們的pipeline以圖像和一個形狀先驗(yàn)作為輸入。圖像由一個訓(xùn)練過的檢測器(Detect-Net)裁剪，用以表示物體特定的信息。采用均值嵌入的編碼器-解碼器網(wǎng)絡(luò)物體類別的形狀先驗(yàn)進(jìn)行預(yù)測，來解決類別差異的問題。 然后，將圖像和形狀先驗(yàn)輸入到OLD-Net中，重建上圖頂部所示的物體級深度。此外，OLD-Net還將來自(Detect-Net的二維檢測結(jié)果和攝像機(jī)本征信息作為輸入，并將其歸一化為NGPH。在OLD-Net中采用一種形狀感知的解耦深度重建方案來保持物體的形狀細(xì)節(jié)和絕對中心。 最后，利用深度網(wǎng)絡(luò)對NOCS表示進(jìn)行預(yù)測。然后，我們將對象級深度反向投影到點(diǎn)云中，采用Umeyama算法恢復(fù)物體姿態(tài)。 如上圖圖OLD-Net的網(wǎng)絡(luò)結(jié)構(gòu)所示，OLD-Net以圖像、形狀先驗(yàn)和NGPH為輸入，首先使用兩個MLP和一個CNN學(xué)習(xí)圖像特征圖，先驗(yàn)特征，位置特征。然后，利用這些特征，利用形狀感知解耦深度重構(gòu)(SDDR)方案同時預(yù)測形狀點(diǎn)和深度平移。最后，將形狀點(diǎn)和深度平移重新組合在一起，得到物體級深度。接下來，我們詳細(xì)介紹NGPH和SDDR。

規(guī)范化全局位置提示

我們的旨在直接從高質(zhì)量的圖像中預(yù)測物體層次的深度。實(shí)現(xiàn)這一目標(biāo)的最直接方法是預(yù)測場景級深度圖。然而，從原始圖像預(yù)測場景級深度圖的計(jì)算成本很高。此外，它還可能導(dǎo)致物體形狀細(xì)節(jié)的丟失。而形狀細(xì)節(jié)對于我們的管道非常重要，因?yàn)槲覀冃枰獙R兩個3D表示來恢復(fù)物體的姿態(tài)。因此，我們選擇以特定物體的圖像作為輸入來預(yù)測物體級深度。然而，由于裁剪和調(diào)整大小的操作，圖像失去了目標(biāo)的絕對全局位置信息，導(dǎo)致預(yù)測深度存在尺度模糊。為此，我們提出了NGPH，通過提供絕對全局位置信息和解決尺度模糊，很好地解決了這一問題。 我們選擇Detect-Net輸出的2D邊界框(l, t, r, b)的參數(shù)組成NGPH，它代表左、上、右，下二維邊界框的坐標(biāo)。這些信息足夠有效，可以提供給網(wǎng)絡(luò)來推斷尺度線索。例如，如果所有的圖像都是由同一臺相機(jī)捕獲的，則恢復(fù)物體的絕對深度。然而，圖像通常會被不同的相機(jī)收集。從單目RGB圖像中推斷出物體的絕對深度會受到相機(jī)本身的影響，這是一個常識。因此，我們提出將相機(jī)本征注入NGPH中。因此，經(jīng)過訓(xùn)練的網(wǎng)絡(luò)也可以被推廣到其他由不同相機(jī)捕捉到的圖像。我們通過將2D邊界框和攝像機(jī)intrinsic歸一化到規(guī)范坐標(biāo)中來使用它們:

其中表示我們使用的最終NGPH。和表示相機(jī)光學(xué)中心坐標(biāo)，和表示焦距。前兩個術(shù)語將對象的邊界框大小與焦距歸一化，消除了對象大小引起的尺度模糊。后四個術(shù)語使用邊界框的焦距和大小對物體的中心進(jìn)行歸一化，消除了模糊性，但保留了位置信息。該方法雖然簡單，但在對象級深度重構(gòu)中是必不可少的。實(shí)驗(yàn)結(jié)果表明，NGPH雖然簡單，但在物體層次深度重建中不可或缺。

形狀感知解耦深度重建

OLD-Net中使用的特征是重塑后的圖像特征矩陣（其中為像素?cái)?shù))，位置特征，先驗(yàn)特征。我們還應(yīng)用MLPs和自適應(yīng)池化，得到全局圖像特征集和全局先驗(yàn)特征集。形狀點(diǎn)預(yù)測：我們采用了形狀先驗(yàn)變形(SPD)的思想重構(gòu)形狀點(diǎn)，這將為模型提供更多的物體形狀約束。具體來說，利用上述特征，網(wǎng)絡(luò)將學(xué)習(xí)一個形變場，一個，并將先前的形狀先驗(yàn)反向投影到對象級深度的點(diǎn)云中: 為了學(xué)習(xí)??，我們重復(fù)??,??,??共??次并將它們與??連接。將連接的特征輸入到MLP中以學(xué)習(xí)??。類似地，為了學(xué)習(xí)??，我們重復(fù)??,??,??共??次，并將它們與??連接。另一個MLP用于學(xué)習(xí)??。在本文中，我們使用形狀先驗(yàn)來預(yù)測對象級深度，為未來基于RGB的工作提供指導(dǎo)。深度變換預(yù)測：為了學(xué)習(xí)物體中心的絕對位置，我們建議使用一個獨(dú)立的MLP來學(xué)習(xí)深度平移。我們連接??和??作為輸入。輸出是表示對象中心絕對深度的單個值。我們把它命名為??。 SDDR方案主要從三個方面來保留對象形狀細(xì)節(jié)。首先，由于我們只使用圖像塊來重建物體層深度，模型可以專注于物體的形狀而不是整個場景的幾何形狀。其次，形狀先驗(yàn)對物體的形狀提供了強(qiáng)大的約束，使其更容易恢復(fù)形狀細(xì)節(jié)。第三，分別學(xué)習(xí)絕對物體中心和物體形狀，并給予不同的注意。 在??和??被預(yù)測后，對象級深度可以表示為??，其中??為??的第三分量。注意，我們選擇監(jiān)督Z而不是反向投影的點(diǎn)云。因?yàn)橐环矫?，網(wǎng)絡(luò)在訓(xùn)練過程中更容易學(xué)習(xí)Z，另一方面，將Z逆向投影到點(diǎn)云上進(jìn)行對齊，物體的2D坐標(biāo)將為全局位置提供額外的約束，這也有利于最后的物體姿態(tài)的恢復(fù)步驟。04? NOCS預(yù)測我們還預(yù)測管道中目標(biāo)對象的NOCS表示，這是一種規(guī)范表示，用于與物體級深度對齊，以恢復(fù)6D對象姿勢。為了預(yù)測NOCS表示，我們將Z反投影到點(diǎn)云中，并將其輸入到MLP中，以獲得深度特征??。取??,??,??輸入，類似于重建對象級深度，我們使用SPD來預(yù)測NOCS表示:? 然而，我們發(fā)現(xiàn)在某些情況下，??不夠真實(shí)，這將影響最終的6D目標(biāo)姿態(tài)估計(jì)精度。因此我們采用對抗訓(xùn)練策略訓(xùn)練網(wǎng)絡(luò)。具體來說，我們設(shè)計(jì)了一個判別器來判斷預(yù)測的NOCS表示是否足夠真實(shí)。判別器的優(yōu)化目標(biāo)可表示為:? 同樣，NOCS預(yù)測網(wǎng)絡(luò)的優(yōu)化目標(biāo)??:??在訓(xùn)練過程中，對判別器和NOCS預(yù)測網(wǎng)絡(luò)的參數(shù)進(jìn)行迭代更新。兩個網(wǎng)絡(luò)都將通過對抗變得越來越強(qiáng)大。因此，預(yù)測的NOCS表現(xiàn)也會變得越來越現(xiàn)實(shí)。05??損失函數(shù)對于物體級深度重建，我們使用Z和真實(shí)值的L1損失:?對于NOCS表示預(yù)測，我們使用損失函數(shù)包括重建的NOCS表示和真實(shí)值之間的平滑L1 loss ??，倒角距離損失??，交叉熵?fù)p失??，以鼓勵分配矩陣xmnocs的峰值分布，L2正則化損失。我們使用的總損失函數(shù)為:? 06??實(shí)驗(yàn)我們通過PyTorch實(shí)現(xiàn)我們的方法，并使用Adam優(yōu)化器對其進(jìn)行優(yōu)化。我們在訓(xùn)練過程中隨機(jī)選擇1024像素來預(yù)測深度。Detect-Net是Mask-RCNN。使用帶有ResNet-18骨干的PSPNet來學(xué)習(xí)圖像特征。形狀先驗(yàn)點(diǎn)數(shù)為1024。我們設(shè)C = 64, ???= 1024。該模型訓(xùn)練50個epoch，批次大小為96。主網(wǎng)絡(luò)的初始學(xué)習(xí)率為0.0001，第40個epoch的衰減率為0.1。我們在CAMERA25數(shù)據(jù)集和REAL275數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。重建質(zhì)量評價：在我們的工作中，主要思想是重建物體級深度和NOCS表示。因此，我們首先在表1中評估我們方法的重構(gòu)質(zhì)量。計(jì)算反向投影深度與地面真實(shí)值之間的倒角距離，驗(yàn)證深度重建的質(zhì)量。我們也計(jì)算預(yù)測的NOCS值與真實(shí)NOCS值之間的倒角距離評價NOCS預(yù)測質(zhì)量。

如上表所示對于物體級深度重構(gòu)，REAL275數(shù)據(jù)集的誤差小于2cm。對于NOCS預(yù)測，REAL275數(shù)據(jù)集的誤差也接近2cm。與我們的大物體尺寸和景深相比，2厘米是一個相對較小的尺度誤差。因此，我們可以得出結(jié)論，我們的方法確實(shí)具有良好的物體級深度重構(gòu)質(zhì)量和NOCS表示預(yù)測質(zhì)量。在CAMERA25數(shù)據(jù)集上，大多數(shù)類別的NOCS表示預(yù)測誤差仍在2cm以下。然而，物體級深度構(gòu)造誤差增加到3cm到5cm。其原因可能是在較大的合成數(shù)據(jù)集中存在較大的深度分布方差。這一觀察結(jié)果還表明，重構(gòu)物體級深度比預(yù)測NOCS表示更難。6D位姿估計(jì)的定量結(jié)果:我們將我們的方法與下表中最先進(jìn)的方法進(jìn)行定量比較。

我們首先將我們的方法與Lee et al.在CAMERA25數(shù)據(jù)集上進(jìn)行比較。Lee等人通過首先重建網(wǎng)格，然后將網(wǎng)格渲染成深度圖來預(yù)測深度。相比之下，我們選擇直接重構(gòu)對象級深度，這更簡單，也更有效。我們可以看到，我們的方法在6個指標(biāo)中的4個指標(biāo)上優(yōu)于Lee et al.。在最嚴(yán)格的10?10cm度量，我們的方法超過Lee等人4.2分，這是一個顯著的改進(jìn)。在IoU25和IoU50指標(biāo)上，盡管我們的結(jié)果略低于Lee等人，但我們?nèi)匀粚?shí)現(xiàn)了相當(dāng)?shù)男阅?。這些結(jié)果表明，使用我們的SDDR方案和NGPH重構(gòu)對象級深度是比重構(gòu)對象網(wǎng)格更好的選擇。主要原因可能是，如果深度平移和形狀點(diǎn)解耦，網(wǎng)絡(luò)更容易學(xué)習(xí)有用的信息，如物體的形狀細(xì)節(jié)或物體的絕對中心。 為了進(jìn)一步驗(yàn)證我們重構(gòu)物體級深度比估計(jì)場景級深度的動機(jī)和好處，我們將我們的方法與下表中的兩個場景級深度估計(jì)基線進(jìn)行比較。場景級基線-1和場景級基線-2共享相同的編碼器-解碼器網(wǎng)絡(luò)架構(gòu)。不同的是，在訓(xùn)練時，場景級基線-1與NOCS重構(gòu)分支共享編碼器，而場景級基線-2獨(dú)立訓(xùn)練深度估計(jì)器。這兩個網(wǎng)絡(luò)都經(jīng)過精心調(diào)優(yōu)，以實(shí)現(xiàn)最佳性能。下表顯示了OLD-Net顯著優(yōu)于兩個場景級基線。原因可能是由預(yù)測的物體級深度OLD-Net在保存形狀細(xì)節(jié)方面比粗糙的場景級深度要好得多，而形狀細(xì)節(jié)對于NOCS深度對齊過程至關(guān)重要。

所有這些結(jié)果都證明了我們的方法的優(yōu)越性。此外，我們還在下圖中展示了3D IoU、旋轉(zhuǎn)誤差和平移誤差的不同閾值下的平均精度(AP)圖。我們將我們的方法與基于rgbd的NOCS方法進(jìn)行比較。從圖中可以看出，我們的方法在所有類別的IoU和旋轉(zhuǎn)方面都表現(xiàn)出色。旋轉(zhuǎn)預(yù)測的優(yōu)異性能很大程度上是由于我們將形狀點(diǎn)解耦到深度之外，以保留形狀細(xì)節(jié)。在對準(zhǔn)中，旋轉(zhuǎn)是否準(zhǔn)確主要取決于物體形狀的質(zhì)量。因此，我們的模型在旋轉(zhuǎn)預(yù)測方面甚至達(dá)到了與基于rgbd的方法相當(dāng)?shù)男阅?。相比之下，基于rgbd的預(yù)測結(jié)果相對較低。這是因?yàn)閺膯文縍GB圖像中恢復(fù)物體的絕對全局位置是一個問題。因此，今后的工作應(yīng)更加重視獲得更精確的絕對深度預(yù)測。

6D位姿估計(jì)的定性結(jié)果:為了定性分析我們方法的有效性，我們將估計(jì)的邊界框可視化，如下圖所示。給出了綜合數(shù)據(jù)和實(shí)際數(shù)據(jù)的計(jì)算結(jié)果?？梢钥闯觯琌LD-Net可以預(yù)測的物體邊界框，這對于增強(qiáng)現(xiàn)實(shí)產(chǎn)品來說是足夠準(zhǔn)確的。在下圖中我們還展示了一些失敗案例。OLDNet有時可能會漏掉物體。我們把解決它作為我們未來的工作。

07消融實(shí)驗(yàn)VanillaSPD:我們采用SPD來學(xué)習(xí)SDDR中的形狀點(diǎn)。人們可能會想，我們的模型的良好性能是否來自于SPD，而不是我們設(shè)計(jì)的其他模塊。因此，我們展示了僅使用普通SPD模塊(不使用OLD-Net，不使用SDDR，僅使用SPD直接預(yù)測對象級深度的反向投影點(diǎn)云)時的性能。沒有我們的其他設(shè)計(jì)，Vanilla SPD的性能很差。SDDR方案的影響：在本文中，SDDR被引入，將物體級深度解耦為深度轉(zhuǎn)換和形狀點(diǎn)。與Vanilla SPD相比，我們在下表中的所有模型版本都采用了SDDR方案，因此，它們的性能在很大程度上得到了改善。

表中的第3行，我們沒有使用兩個單獨(dú)的模塊來獨(dú)立學(xué)習(xí)深度轉(zhuǎn)換和形狀點(diǎn)，而是使用一個單一的模塊直接預(yù)測絕對的物體級深度。我們發(fā)現(xiàn)，IoU25指標(biāo)和IoU50指標(biāo)下降了很多。這可能是因?yàn)槿绻话焉疃冉怦畛鰜恚W(wǎng)絡(luò)可能會丟失物體的細(xì)節(jié)，如物體的長寬高比例或一些特定的物體成分。此外，在第4行，我們顯示了用MLP代替SPD來預(yù)測形狀點(diǎn)的結(jié)果，即直接回歸NOCS和物體級深度。很明顯，所有的指標(biāo)都有明顯的下降。這個結(jié)果證明了在SDDR中采用SPD是非常必要的。SPD為模型提供了關(guān)于物體形狀的強(qiáng)大約束。請注意表的第3行和第4行，雖然我們刪除了一些設(shè)計(jì)，但屬于物體的像素的二維坐標(biāo)仍被用于反向投影（它也是SDDR的一部分），這將為絕對深度提供額外的約束。否則，性能會更差，如表第2行所示，它直接預(yù)測了物體點(diǎn)云。總之，SDDR方案在OLD-Net中對物體形狀細(xì)節(jié)的保存和絕對物體中心的預(yù)測都起著重要的作用。NGPH的影響：由于我們的模型只采取RGB圖像來預(yù)測深度以保存形狀細(xì)節(jié)，全局位置信息將被丟失。為了彌補(bǔ)這一缺陷，我們將NGPH注入到我們的網(wǎng)絡(luò)中。在表的第5行中，我們將NGPH從我們的網(wǎng)絡(luò)中移除，以研究其影響。當(dāng)它被移除后，所有的指標(biāo)都下降了很多。這是因?yàn)?，沒有NGPH，網(wǎng)絡(luò)就很難預(yù)測絕對深度。盡管三維點(diǎn)之間的相對位置可以從圖像中推斷出來，但錯誤的絕對深度會使我們很難通過對齊來準(zhǔn)確恢復(fù)物體的姿勢。 我們采用對抗性訓(xùn)練策略來提高預(yù)測的NOCS表示的質(zhì)量。當(dāng)它被移除時，如表的倒數(shù)第二行所示，除了10?指標(biāo)外，所有指標(biāo)都下降了。這一結(jié)果證明了對抗性訓(xùn)練對于提高性能是必要的。它還表明，NOCS表示的質(zhì)量和對象層面的深度都很重要。兩者都不能被忽視。08總結(jié)本文提出了一種新的基于rgb的類別級6D目標(biāo)位姿估計(jì)網(wǎng)絡(luò)OLD-Net。利用形狀先驗(yàn)直接預(yù)測物體層次深度是我們研究的關(guān)鍵。在OLD-Net中引入了歸一化全局位置提示和形狀感知解耦深度重構(gòu)方案。我們還使用對抗性訓(xùn)練預(yù)測管道中對象的規(guī)范NOCS表示。在真實(shí)數(shù)據(jù)集和合成數(shù)據(jù)集上的大量實(shí)驗(yàn)表明，我們的方法可以實(shí)現(xiàn)新的最先進(jìn)的性能。

審核編輯 ：李倩