英伟达新方法入选CVPR 2023：对未知物体的6D姿态追踪和三维重建

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

普通手机“随手”拍的雕像，一下就变成了精细的三维重建图。

水杯来回动的动态场景下，细节清晰可见：

静态场景效果也同样nice，狗狗突出的肋骨都被还原了出来：

对比来看其他方法，效果是酱婶的……

这就是英伟达最新提出的方法BundleSDF。

这是一种可对未知物体的6D姿态追踪和三维重建的方法。

用于从单目RGBD视频序列中跟踪未知物体的6自由度运动，同时进行物体的隐式神经三维重建，方法接近于实时（10Hz）。

这种方法适用于任意刚性物体，即使视觉纹理大部分确实，仅需在第一帧中分割出物体，不需要任何额外的信息，并且不对智能体与物体的交互模式做任何假设。

目前，该方法已被CVPR 2023接收。

可处理大幅度姿态变化、有遮挡视频

该方法的关键是一个神经物体场，它与姿态图优化过程同时进行，以便将信息稳健地累积到一致的3D表示中，捕捉几何和外观。

方法自动维护了一组动态的姿态内存帧，以便这些线程之间进行通信。

它能处理具有大幅度姿态变化、部分和完全遮挡、无纹理表面和高光反射等具有挑战性的视频。

作者展示了HO3D、YCBInEOAT和BEHAVE数据集上的结果，证明了我们的方法显著优于现有方法。

野外测试

用于iPhone 12 Pro Max的效果：

用于Intel RealSense的效果：

该方法不仅适用于更具挑战性的动态场景，还适用于此前经常被考虑的静态场景（移动相机）。

因此实现了比专门设计用于静态场景的那些方法更好或相当的结果（即文章开头展示动图）。

与SOTA对比

HO3D数据集上三种最具竞争力方法的定性比较。

左图：6自由度姿态跟踪可视化，其中轮廓（青色）以估计的姿态渲染。

值得注意的是，如第二列所示，我们的预测姿态有时甚至会纠正GT的错误。

右图：每种方法输出的最终3D重建的正面和背面视图。

由于手部遮挡，视频中的某些部分永远不可见。虽然从相同的视角渲染网格，但是DROID-SLAM和BundleTrack的显著漂移导致网格错误旋转。

定量结果对比如下：

问题设置

给定一段单目RGBD输入视频以及仅在第一帧中目标物体的分割掩码，该方法能持续追踪物体的6-DoF姿态并重建物体的3D模型。

所有处理都是在线自回归的（没有假设未来帧可用）。

处理的物体是刚性的，但不依赖其特定丰富的纹理 – 方法适用于无纹理的物体。

此外，不需要物体的实例级CAD模型，也不需要物体类别的先验知识（例如事先对同一物体类别进行预训练）。

具体框架

首先，在连续的分割图像之间匹配特征，以获得粗略的姿态估计（第3.1节）。

其中一些带姿态的帧被存储在内存池中，以便稍后使用和精化（第3.2节）。

从内存池的子集动态创建位姿图（第3.3节）；在线优化与当前姿态一起联合细化图中的所有姿态。

然后，这些更新的姿态被存储回内存池中。

最后，内存池中的所有带姿态的帧用于学习神经物体场（在单独的线程中），该场建模了物体的几何和视觉纹理（第3.4节），同时调整其先前估计的姿态，使姿态跟踪更加鲁棒。

项目地址：https://bundlesdf.github.io/