在计算机视觉领域，6D物体姿态估计是一项关键任务，它涉及确定物体相对于摄像头的完整旋转和平移信息。这项技术有着广泛的应用，如机器人抓取、增强现实和自动驾驶等。近年来，基于RGBD（红绿蓝深度）的6D物体姿态估计取得了显著的进步，但依赖深度信息限制了其在更多场景中的应用。针对这一问题，本文提出的“从单目RGB图像进行类别级6D物体姿态估计”提供了一种新颖的方法，名为对象级别深度重建网络（OLD-Net），仅使用RGB图像作为输入。
OLD-Net的核心是直接从单目RGB图像预测对象级别的深度。通过变形类别级别的形状先验，转化为对象级别的深度和标准化NOCS（ Normalized Object Coordinate Space，规范化物体坐标空间）表示。NOCS是一种通用的表示方法，用于描述物体在3D空间中的形状和位置。OLD-Net引入了两个创新模块：归一化全局位置提示（NGPH）和形状感知解耦深度重建（SDDR）模块。NGPH模块学习高精度的对象级深度，而SDDR模块则用于构建精细的形状表示。
NGPH模块旨在提供关于物体在图像中的位置的关键线索，帮助网络理解物体的全局定位。另一方面，SDDR模块将深度重建与形状表示分离，使得网络能够更有效地学习复杂的形状特征，同时保持对深度的准确估计。这两个模块的结合使得OLD-Net能够在没有深度信息的情况下，依然能精确地恢复物体的3D形状和姿态。
通过将预测的标准化表示与反投影的对象级别深度对齐，解决6D物体姿态。这种方法在具有挑战性的CAMERA25和REAL275数据集上进行了广泛的实验，结果显示，尽管OLD-Net的架构相对简单，但其性能达到了最先进的水平。
关键词：类别级6D姿态估计，对象级别深度，位置提示，解耦深度重建
1. 引言
类别级6D物体姿态估计是一个关键的计算机视觉挑战，它需要预测物体相对于摄像头的全方位旋转和位移。传统的RGBD方法虽然效果良好，但依赖于深度信息，这在许多实际场景中并不易获取。因此，提出一种仅依赖RGB图像的方法对于扩大6D姿态估计的应用范围至关重要。OLD-Net通过深度重建和形状表示的学习，克服了这一限制，为单目RGB图像的6D姿态估计开辟了新的可能性。
2. 方法论
OLD-Net由深度预测模块、NGPH模块和SDDR模块组成。深度预测模块从RGB图像中提取特征，然后通过变形的类别形状先验生成对象级别的深度。接着，NGPH模块利用这些深度信息提供位置提示，以帮助网络估计全局位置。SDDR模块则负责将深度和形状表示解耦，以提高重建的准确性。最终，通过比较预测的深度和反投影的深度，计算出6D姿态。
3. 实验与结果
在CAMERA25和REAL275数据集上的实验表明，即使在复杂环境中，OLD-Net也能实现高度精确的6D姿态估计，验证了其方法的有效性。
4. 结论
OLD-Net通过创新的深度重建策略，展示了仅使用单目RGB图像进行类别级6D物体姿态估计的潜力。这种方法对于推动无深度信息的视觉系统的发展具有重要意义，未来可能应用于更多现实世界的应用场景。
5. 展望
未来的研究方向可能包括进一步优化网络架构以提高效率，扩展到更多的物体类别，以及在动态环境和光照变化下的鲁棒性研究。此外，将OLD-Net与其他视觉任务集成，如目标检测和跟踪，可能会产生更强大的多模态视觉解决方案。
