Robust Object 6D Pose Estimation Under High Dynamic Ambient Light

问题背景

物体 6D 位姿估计是指求出物体相对于相机的三维旋转和平移，本文的输入是单张 RGB 图像。Gen6D 是一种无需物体模型的位姿估计器：测试时不需要高质量的物体模型、深度图或物体掩码，而是借助物体的参考图像完成估计。它分三个阶段：检测器定位物体并估计其尺寸，选择器挑出最相似的参考图像得到粗略旋转，精化器再对估计结果进行修正。

在高动态环境光下，高光与阴影之间反差强烈，这一流程便难以奏效。物体表面的反射随光照变化，阴影改变表面的亮度和纹理，颜色也会失真。作者用投射光源人为制造高动态光照场景，使物体表面反光不均，结果 Gen6D 的位姿估计效果很差。精化器往往难以单独弥补，因为它高度依赖前两个阶段给出的粗略估计，而这些估计已经受到光照的影响。

方法原理

该方法保留 Gen6D 的"检测器—选择器—精化器"流程，改动的是三个阶段共用的特征提取网络：在 VGG 骨干网络中嵌入高效通道注意力（ECA）模块。由此得到的 VGG-ECA 网络会增强信息丰富的特征通道、削弱噪声通道，使特征受高光和阴影的干扰更小。

1. 高光让原模型失效。 对于带金属部件的物体（如刀、剪刀），Gen6D 往往只识别出反光较弱的塑料手柄，而漏掉强反光的金属部分。
2. 在骨干网络中加入通道注意力。 在 VGG 中 64、128、256 个滤波器的卷积层之后加入 ECA 模块。每个模块先把各通道平均为一个数值，再沿相邻通道做一维卷积（卷积核大小由通道数自适应确定），经 Sigmoid 映射为 0–1 之间的权重，最后与各通道相乘。与其所基于的挤压激励（SE）模块不同，ECA 不需要先降低通道维度。
3. 检测器。 以参考图像的 VGG-ECA 特征为卷积核，在若干预设尺度上与查询图像的特征做卷积。所得热图的峰值即物体中心的二维投影，尺度图在该处的取值给出包围框尺寸，由此得到深度和初始平移。
4. 选择器。 将物体区域与各参考图像比较，最相似的一张给出初始旋转。
5. 精化器。 3D CNN 回归当前位姿与真实位姿之间的残差，并据此更新估计。

实验结果

模型在 Gen6D 的官方数据集 GenMOP（共 10 个物体）上训练，测试时作者专门挑选了表面反光强的物体。ADD-0.1d 统计模型点与真值之间的平均距离小于物体直径 10% 的位姿所占比例；Prj-5 统计二维投影误差小于 5 像素的位姿所占比例。表 1 中的七个物体上，改进模型在两项指标上均高于 Gen6D。

在高动态环境光下另行采集的 RGB 图像直观地展示了效果。Gen6D 只框住了刀和剪刀的塑料手柄，改进模型则能捕捉物体的整体位姿；对于透明的玻璃杯，Gen6D 检测失败，改进模型则成功检测出其位姿。在由暗到亮的五个光照等级（L1–L5）下，Gen6D 对刀和剪刀的估计在低光（L1、L2）和强光（L4、L5）下都明显变差，而改进模型更为准确，玻璃杯上的提升尤为明显。作者也报告了失败情况：强光使部分刀身在图像中呈黑色，改进模型无法检测这些刀身部分的位姿；金属剪刀在 L1、L2 下仍有错位。作者提出，未来工作包括扩展到更多物体和数据集、尝试其他注意力机制，以及在实际工业应用中进行测试。