PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2403.18791v4cs.CV공식 코드 · Papers with Code

디퓨전 특징 집계를 통한 정확하고 효율적인 객체 자세 추정

Accurate and Efficient Object Pose Estimation via the Aggregation of Diffusion Features

이미지로부터 객체의 자세(pose)를 추정하는 것은 3D 장면 이해(3D scene understanding)의 핵심적인 작업이며, 최근의 접근법들은 매우 큰 벤치마크(benchmark)에서 유망한 결과를 보여주었다. 그러나 이러한 방법들은 미확인 객체(unseen object)를 다룰 때 성능이 크게 저하된다. 이 문제를 해결하기 위해, 우리는 미확인 객체를 모델링할 상당한 잠재력을 지닌 디퓨전 모델(diffusion model)(예: Stable Diffusion)의 특징(feature)에 대해 심도 있는 분석을 수행하였다. 이 분석을 바탕으로, 우리는 객체 자세 추정을 위해 이러한 디퓨전 특징을 혁신적으로 도입하였다. 객체 자세 추정에 대한 디퓨전 특징의 효능을 검증하기 위해, 디퓨전 특징을 포착하고 집계하는 세 가지의 서로 다른 아키텍처(vanilla, nonlinear, context-aware 가중치 집계)를 제안하여 비교 분석을 수행하였다. 효율적인 특징 집계를 달성하기 위해, 모든 특징을 사용하는 대신 판별력 있는 특징을 자동으로 선택하는 신뢰도 적응형 집계 네트워크(confidence adaptive aggregation network)를 제안하여, 더 나은 속도-정확도 트레이드오프(trade-off)를 달성하였다. 특히, 우리의 신뢰도 적응형 집계 네트워크는 미확인 객체에서 기존 최고 성능(previous best arts)보다 더 높은 정확도를 달성하였다: Unseen LM에서 97.7% 대 93.5%, Unseen O-LM에서 85.5% 대 76.3%로, 우리 방법의 강력한 일반화 능력(generalizability)을 보여준다. 대규모 BOP 벤치마크에서도 우리의 방법은 측정 가능한 향상을 제공하여, 평균 재현율(recall)이 기존의 57.9에서 58.3으로 증가하였다. 또한, CAA는 CWA 변형(variant)에 비해 비교 가능한 정확도를 유지하면서 계산 비용을 1.3~1.5배 절감한다. 더욱이, CAA는 68 FPS 이상을 달성하며 실시간(real-time) 성능에 도달하여, 정확도-효율성 트레이드오프를 상당히 개선하였다.