仅需10%参数量即超越SOTA！浙大、字节、港中文联合提出「类别级位姿估计」任务新框架
赋予机器人对日常物体的3D理解是机器人应用中的一项重大挑战。在未知环境中进行探索时，由于物体形状的多样性，现有的物体位姿估计方法仍然不能令人满意。最近浙江大学、字节跳动人工智能实验室和香港中文大学的研究者联合提出了一个新的框架，用于从单个RGB-D图像进行类别级物体形状和位姿估计。论文地址：https://arxiv.org/abs/2210.01112项目链接：https://zju3dv.github.io/gCasp为了处理类别内物体的形状变化，研究人员采用语义原始表示，将不同的形状
赋予机器人对日常物体的 3D 理解是机器人应用中的一项重大挑战。
在未知环境中进行探索时，由于物体形状的多样性，现有的物体位姿估计方法仍然不能令人满意。
最近浙江大学、字节跳动人工智能实验室和香港中文大学的研究者联合提出了一个新的框架，用于从单个 RGB-D 图像进行类别级物体形状和位姿估计。
论文地址：https://arxiv.org/abs/2210.01112
项目链接：https://zju3dv.github.io/gCasp
为了处理类别内物体的形状变化，研究人员采用语义原始表示，将不同的形状编码到一个统一的隐空间中，这种表示是在观察到的点云和估计的形状之间建立可靠对应关系的关键。
然后通过设计的对刚体相似变换不变的形状描述子，解耦了物体的形状和位姿估计，从而支持任意位姿中目标物体的隐式形状优化。实验表明所提出的方法在公开数据集中实现了领先的位姿估计性能。
研究背景
在机器人的感知与操作领域，估计日常物体的形状和位姿是一项基本功能，并且具有多种应用，其中包括 3D 场景理解、机器人操作和自主仓储。
该任务的早期工作大多集中在实例级位姿估计上，这些工作主要通过将观察到的物体与给定的 CAD 模型对齐来获得物体位姿。
然而，这样的设置在现实世界的场景中是有限的，因为很难预先获得一个任意给定物体的确切模型。
为了推广到那些没见过但是在语义上熟悉的物体，类别级别物体位姿估计正在引起越来越多的研究关注，因为它可以潜在地处理真实场景中同一类别的各种实例。
现有的类别级位姿估计方法通常尝试预测一个类中实例的像素级归一化坐标，或者采用形变之后的参考先验模型来估计物体位姿。
尽管这些工作已经取得了很大的进步，但是当同一类别中存在较大的形状差异时，这些一次性预测方法仍然面临困难。
为了处理同一类内物体的多样性，一些工作利用神经隐式表示，通过迭代优化隐式空间中的位姿和形状来适应目标物体的形状，并获得了更好的性能。
在类别级物体位姿估计中有两个主要挑战，一是巨大的类内形状差异，二是现有的方法将形状和位姿的耦合在一起进行优化，这样容易导致优化问题更加复杂。
在这篇论文中，研究人员通过设计的对刚体相似变换不变的形状描述子，解耦了物体的形状和位姿估计，从而支持任意位姿中目标物体的隐式形状优化。最后再根据估计形状与观测之间的语义关联，求解出物体的尺度与位姿。
算法介绍
算法由三个模块组成，语义原语提取、生成式形状估计和物体位姿估计。
算法的输入是单张 RGB-D 图像，算法使用预先训练好的 Mask R-CNN 获得 RGB 图像的语义分割结果，然后根据相机内参反投影得到每个物体的点云。该方法主要对点云进行处理，最终求得每个物体的尺度与6DoF位姿。
语义原语提取
DualSDF[1] 中提出了一种针对同类物体的语义原语的表示方法。如下图左所示，在同一类物体中，每个实例都被分成了一定数量的语义原语，每个原语的标签对应着某类物体的特定部位。
为了从观测点云中提取物体的语义原语，作者利用了一个点云分割网络，将观测点云分割成了带有标签的语义原语。
生成式的形状估计
3D的生成模型（如DeepSDF）大多是在归一化的坐标系下运行的。
然而在真实世界观测中的物体与归一化坐标系之间会存在一个相似位姿变换（旋转、平移以及尺度）。
为了在位姿未知时来求解当前观测对应的归一化形状，作者基于语义原语表示，提出了一种对相似变换不变的形状描述子。
这种描述子如下图所示，它描述了不同原语构成的向量之间的夹角：
作者通过这个描述子来衡量当前观测与估计形状之间的误差，并通过梯度下降来使得估计形状与观测之间更加一致，过程如下图所示。
作者另外展示了更多的形状优化示例。
位姿估计
最后，通过观测点云与求解形状之间的语义原语对应关系，作者使用 Umeyama 算法求解了观测形状的位姿。
实验结果
作者在 NOCS 提供的 REAL275（真实数据集） 和 CAMERA25（合成数据集） 数据集上进行了对比实验，与其他方法在位姿估计精度上进行了对比，所提出的方法在多项指标上远超其他方法。
同时，作者也对比了需要在 NOCS 提供的训练集上训练的参数量，作者需要最少的2.3M的参数量便达到了最先进水平。
AirBuddy 3 是面向 macOS 的蓝牙外设增强工具，可集中查看 AirPods、Beats 与苹果设备电量，提供快速连接、播放控制、电量提醒、桌面小组件和多台 Mac 外设接力等功能。
AirServer macOS版可把 Mac 转换为无线投屏接收端，通过 AirPlay 或 Google Cast 接收手机、平板和电脑画面，并支持多设备同时连接、高清镜像及会话录制，适合家庭娱乐、课堂教学、会议演示和应用展示。
Beamer 4是面向macOS的本地视频投屏工具，可将Mac中的影片投放到Apple TV、Chromecast及兼容设备，支持常见格式、多类字幕、环绕声、播放列表和电视遥控操作。
Boom 3D macOS版是一款系统级音效增强工具，可为音乐、电影、游戏和流媒体提供3D虚拟环绕声、31段均衡器、音量增强及应用独立音量控制，并支持本地播放器与多种音频输出设备。
Boris FX macOS版是一套面向剪辑、合成、调色及动态图形工作的专业后期工具，涵盖视觉特效、平面与三维跟踪、转描、画面修复、粒子动画和音频清理，可配合多种主流宿主软件使用。
Capto 是面向 macOS 的屏幕截图、高清录屏与媒体编辑工具，支持区域及整屏捕获、网页长截图、双音轨处理、图片和视频标注、素材分类与多渠道分享，适合教师、学生、内容创作者及需要制作演示教程的用户。
Cursor Crane 是一款仅面向 macOS 的键盘操控效率工具，可通过提示标签、网格、文字查找和窗口模式完成点击、滚动、定位与切换，并支持屏幕内容提取、脚本及工作流扩展。
Deep Freeze 冰点还原 macOS版通过冻结系统配置，让受保护的Mac在重新启动后回到预设状态，并提供解冻空间、维护计划、密码保护及Apple Remote Desktop管理能力。
Focusky macOS版是一款面向教学课件、商务汇报、产品展示和动画宣传内容的演示制作工具。它通过无限画布、路径编排、缩放旋转转场及多媒体编辑，将传统逐页幻灯片转化为更具空间感的动态演示。
Folder Colorizer 2 macOS版是一款直观的文件夹外观定制工具，可更换颜色，添加表情、贴纸及图片背景，并支持批量处理、智能推荐和恢复默认样式，帮助用户更快辨认工作、学习与生活资料。
AirServer Windows版可把电脑变成AirPlay、Google Cast和Miracast无线投屏接收端，适合会议演示、课堂教学及家庭大屏分享。发送设备通常无需另装客户端，并可同时接收和智能排列多个镜像会话。
AlwaysUp是一款面向Windows的系统服务注册与程序托管工具，可让普通应用、脚本及批处理在无人登录时随系统启动，并通过状态检测、异常重启、资源监控和邮件通知保障关键任务持续运行。
AnyDesk Windows版是一款轻量化远程桌面与技术支持工具，可用于控制异地电脑、传输文件、远程打印及无人值守访问。它兼顾连接响应、安全权限和部署灵活性，适合个人远程办公、企业设备维护与客服支持。
Boom 3D Windows版是一款面向音乐、电影和游戏场景的系统级音效增强工具，支持虚拟3D环绕声、31段均衡器、预设音效、应用音量控制及本地音乐播放，可配合耳机、扬声器和蓝牙耳机使用。
Boris FX Windows版是一套服务于影视剪辑、视觉特效、运动跟踪、转描、图像修饰及音频修复的专业创作工具集合，可作为插件接入多种主流后期宿主，也包含可独立运行的应用，适合剪辑师、特效师与内容创作者使用。
ChemDraw Windows版是一款面向化学研究、药物研发、材料科学和教学工作的专业结构绘图工具，可快速绘制分子、反应式及生物聚合物，并提供结构整理、格式转换、性质计算和科研文档协作能力。
CODESOFT Windows版是一套企业级条码与RFID标签设计打印工具，可连接Excel、Access、SQL及云端数据源，支持变量、表单、GS1条码、数据库记录和多种工业打印机，适合制造、仓储、物流及合规标识场景。
Deep Freeze 冰点还原 Windows版通过重启恢复技术保护系统盘及指定分区，自动撤销恶意程序、误操作和配置漂移造成的改动，并支持密码保护、解冻空间与多硬盘管理，适合学校机房、公共电脑、办公终端及家庭电脑使用。
EDIUS 11 Windows版是一款面向影视制作、广播电视、纪录片、短视频及教育机构的专业非线性编辑工具，支持4K/8K、多格式混编、HDR调色、字幕、音频处理和后台渲染，并提供素材管理及丰富的导出预设。
FastStone Capture Windows版是一款轻量级屏幕捕捉、录屏与图像编辑工具，可截取窗口、区域、菜单和滚动页面，并提供标注、模糊、取色、OCR、录音录像及多格式导出能力，适合办公说明、教程制作和问题反馈。
Focusky Windows版是一款动画演示与交互课件制作工具，通过无限画布、缩放旋转镜头、模板素材和对象动画组织内容，可导入PPTX，并输出视频、EXE、PDF、网页等格式，适用于课堂教学、微课、商务汇报及产品展示。