Occlusion Resistant Object Rotation Regression from Point Cloud Segments
University of Hamburg(汉堡大学)
已知刚性物体的旋转估计对于机器人应用例如灵巧操作是重要的。用于旋转估计的大多数现有方法使用中间表示,诸如模板、全局或局部特征描述符或对象坐标,其需要多个步骤以便推断对象姿态。我们建议使用卷积神经网络直接从原始点云片段回归姿态向量。实验结果表明,我们的方法可以潜在地实现竞争力的性能相比,一个国家的最先进的方法,同时也表现出更强的鲁棒性对遮挡。我们的方法不需要任何后处理,如迭代最近点算法的细化。
2018-12-02 cs.CV
HACMatch Semi-Supervised Rotation Regression with Hardness-Aware Curriculum Pseudo Labeling
Shanghai Jiao Tong University(上海交通大学)
提出一种难度感知课程学习框架,通过动态选择伪标签样本和结构化数据增强,在少量标注数据下提升半监督旋转回归性能。
2026-06-18 cs.CV
Camera Pose Filtering with Local Regression Geodesics on the Riemannian Manifold of Dual Quaternions
Computer Aided Medical Procedures, Technische Universität München(慕尼黑工业大学计算机辅助医疗程序);FRAMOS GmbH(FRAMOS有限公司);Siemens AG(西门子股份公司);Computer Aided Medical Procedures, Johns Hopkins University(约翰斯·霍普金斯大学计算机辅助医疗程序)
时变、平滑的轨迹估计对于精确且表现良好的3D系统的视觉社区具有极大的兴趣。本文提出了一种新的直接作用于单位对偶四元数黎曼流形$\mathbb{D} \mathbb{H}_1$的主成分局部回归滤波器。我们使用一个数值稳定的李代数的对偶四元数连同$\exp$和$\log$运营商局部线性化的6D姿态空间。不同于现有的路径平滑方法,无论是在$SO\left(3\right)$的旋转矩阵或超球$\mathbb{H}_1$的四元数,我们共同对待的方向和平移的对偶四元数二次在7维实射影空间$\mathbb{R}\mathbb{P}^7$。我们提供了一个离群鲁棒的IRLS算法的通用姿态过滤利用这种流形结构。除了理论分析外,我们在合成数据和真实数据上的实验表明了流形感知滤波在姿态跟踪和平滑方面的实际优势。
2017-08-29 cs.CV
Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection
School of Computer Science and Information Engineering, Hefei University of Technology(合肥工业大学计算机与信息工程学院)
研究单域广义目标检测,提出MR-DCoT方法,通过视觉-文本双思维链生成离群示例,利用类特定原型锚定学习校正算子,将未知域泛化建模为流形回归问题,实验验证了该方法在多场景下的有效性和通用性。
2026-07-09 cs.CV
Efficient Branching Cascaded Regression for Face Alignment under Significant Head Rotation
University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
尽管近年来对人脸对齐的兴趣很大,但绝大多数工作都集中在近正面的人脸上。算法通常会在剖面上崩溃,或者对于实时应用程序来说太慢。在这项工作中,我们提出了一种有效的方法来面对对齐,可以处理180度的头部旋转在一个统一的方式(例如,而不求助于基于视图的模型)使用二维训练数据。我们的方法的基础是级联形状回归(CSR),这是最近出现的领先战略。我们提出了一个泛化的传统CSR,我们称之为分支级联回归(BCR)。传统的CSR是单轨的;也就是说,它们以直线从一个级联水平进展到下一个级联水平,每个回归变量都试图拟合整个数据集。相反,我们在每个级联级别之后将回归问题拆分为两个或更多个更简单的问题。直观地,每个回归量然后可以对更简单的目标函数(即,具有较少的冲突梯度方向)。在BCR框架内,我们使用结构化点分布模型(SPDM)同时建模和推断姿势相关的地标可见性和面部形状。我们建议学习任务特定的特征映射功能,自适应地标的可见性,并使用SPDM参数作为回归目标,而不是二维地标坐标。此外,我们引入了一个新的野外轮廓面数据集来验证我们的方法。
2016-11-10 cs.CV
Variational Autoencoded Regression: High Dimensional Regression of Visual Data on Complex Manifold
Seoul National University(首尔国立大学);Imperial College London(帝国理工学院)
本文将高斯过程回归方法融入到变分自编码器框架中,提出了一种新的高维回归方法。与其他回归方法相比,所提出的方法侧重于输出响应位于复杂高维流形(如图像)上的情况。我们的贡献总结如下:(i)提出了一种新的回归方法估计高维图像响应,这是不处理现有的回归算法,。(ii)所提出的回归方法引入了一种策略来学习潜在空间以及编码器和解码器,使得潜在空间中的回归响应的结果与数据空间中的相应响应一致。(iii)该方法被嵌入到生成模型中,整个过程由变分自编码器框架开发。我们证明了我们的方法的鲁棒性和有效性,通过各种视觉数据回归问题的实验。
2019-08-12 cs.CV cs.LG
Direct-PoseNet: Absolute Pose Regression with Photometric Consistency
University of Oxford(牛津大学)
我们提出了一个重新定位管道,它结合了绝对姿态回归(APR)网络与一个新的视图合成为基础的直接匹配模块,提供卓越的精度,同时保持低推理时间。我们的贡献是双重的:i)我们设计了一个直接匹配模块,该模块通过可微分渲染提供光度监督信号来细化姿态回归网络; ii)我们将姿态回归中的旋转表示从经典四元数修改为SO(3),消除了平衡旋转和平移损失项的需要。因此,我们的网络Direct-PoseNet在7-Scenes基准和LLFF数据集上实现了所有其他单图像APR方法的最先进性能。
2021-10-13 cs.CV
6D Object Pose Regression via Supervised Learning on Point Clouds
University of Hamburg(汉堡大学);Tsinghua University(清华大学)
本文讨论了从点云表示的深度信息中估计已知3D对象的6个自由度姿态的任务。由卷积神经网络从颜色信息中学习的深度特征已经成为用于推断对象姿态的主要特征,而深度信息受到的关注要少得多。然而,深度信息包含丰富的几何信息的对象形状,这是重要的推断对象的姿态。我们使用点云表示的深度信息作为深度网络和基于几何的姿势优化的输入,并使用单独的网络进行旋转和平移回归。我们认为轴角表示是适合深度学习的旋转表示,并使用测地线损失函数进行旋转回归。消融研究表明,这些设计选择优于替代方案,如四元数表示和L2损失,或用相同的网络回归平移和旋转。我们简单而有效的方法在YCB视频数据集上明显优于最先进的方法。可在https://github.com/GeeeG/CloudPose上获取实施和训练模型。
2020-01-24 cs.CV
Gravity-aligned Rotation Averaging with Circular Regression
ETH Zurich(苏黎世联邦理工学院);Microsoft(微软公司)
提出基于圆周回归的重力对齐旋转平均方法,将重力方向集成至全局SfM流程以提升相机朝向精度并减少自由度,在四个大规模数据集上实现SOTA精度且运行速度更快。
2024-10-16 cs.CV
Polynomial Regression on Riemannian Manifolds
University of Utah(犹他大学)
本文发展了黎曼流形和李群中参数多项式回归的理论。本文在Kendall形状空间中,给出了黎曼多项式回归在形状分析中的应用。结果,显示功率的多项式回归的经典大鼠颅骨生长数据的Bookstein以及分析的形状变化与老化的胼胝体从OASIS阿尔茨海默氏症的研究。
2012-03-01 cs.CV math.DG math.ST
Revisiting Euler-Angle Regression with Kolmogorov-Arnold Networks
Michigan State University(密歇根州立大学)
研究欧拉角回归难题,提出结合范围感知欧拉建模与柯尔莫哥洛夫 - 阿诺德网络的新框架,经理论分析和实验验证,该框架在控制旋转回归等多方面能提升精度、收敛性和效率。
2026-07-13 cs.CV
Parametric Regression on the Grassmannian
University of North Carolina(北卡罗来纳大学);University of Salzburg(萨尔茨堡大学);University of California San Diego(加州大学圣迭戈分校)
我们解决的问题,拟合参数曲线的格拉斯曼流形的目的是内在的参数回归。按照文献中的惯例,我们从欧氏空间中线性最小二乘的能量最小化公式开始,并将这一概念推广到一般的非平坦黎曼流形,遵循最优控制的观点。然后,我们专门这个想法的格拉斯曼流形,并证明它产生一个简单的,可扩展的和易于实现的解决方案的参数回归问题。事实上,它允许我们将基本测地线模型扩展为(1)时间扭曲变量和(2)三次样条。我们证明了所提出的解决方案在不同的视觉问题上的实用性,例如作为年龄的函数的形状回归,交通速度估计和来自监控视频剪辑的人群计数。最值得注意的是,这些问题可以在同一框架内方便地解决,而不需要沿着处理管道的任何专门定制的步骤。
2015-05-14 cs.CV
IUP-Pose: Decoupled Iterative Uncertainty Propagation for Real-time Relative Pose Regression via Implicit Dense Alignment v1
本文提出IUP-Pose,通过隐式密集对齐解决相对姿态估计中姿态与位移估计耦合和跨视图特征对齐不足的问题,实现高精度与高效能的实时部署。
2026-03-20 cs.CV
Maximum Covariance Unfolding Regression: A Novel Covariate-based Manifold Learning Approach for Point Cloud Data
Georgia Institute of Technology(佐治亚理工学院)
本文提出最大协方差展开回归方法,用于学习非结构化点云数据的低维流形,并与协变量建立最高相关性,以支持回归建模和过程优化。
2023-03-31 cs.CV cs.LG
Rotation-Robust Regression with Convolutional Model Trees
Department of Automation, Harbin Institute of Technology, Shenzhen, China(自动化系,哈尔滨工业大学,深圳);Department of Computing Science, University of Alberta, Edmonton, Canada(计算机科学系,阿尔伯塔大学,爱德蒙顿)
本文提出利用卷积模型树进行旋转鲁棒回归,通过几何感知的归纳偏差和部署时的方位搜索提升模型在旋转下的鲁棒性。
2026-01-08 cs.CV cs.LG
Delving into Discrete Normalizing Flows on SO(3) Manifold for Probabilistic Rotation Modeling
Peking University(北京大学)
本文提出一种结合Mobius变换耦合层与四元数仿射变换的SO(3)流形离散归一化流,有效解决了旋转概率建模中的分布表达问题,并在条件与无条件任务上显著优于基线。
2023-04-08 cs.CV
Multivariate Regression with Gross Errors on Manifold-valued Data
Bioinformatics Institute, A*STAR(新加坡科技研究局生物信息学研究所);School of Computing, National University of Singapore(新加坡国立大学计算机学院);Singapore Institute for Neurotechnology, National University of Singapore(新加坡国立大学新加坡神经技术研究所)
我们考虑流形值输出的多元回归问题,即对于一个多元观测,其输出响应位于一个流形上。此外,我们提出了一个新的回归模型来处理存在严重损坏的流形值的响应,在实际情况中经常遇到的瓶颈问题。我们的模型首先通过流形上的测地线曲线对严重损坏的响应进行校正,然后对校正后的数据进行多元线性回归。这导致流形上的非凸和非光滑优化问题。为此,我们提出了一个专用的方法命名为PALMR,通过利用和扩展的近端交替线性化最小化技术。在理论上,我们研究了它的收敛性,证明了它在较弱的条件下收敛到一个临界点。从经验上讲,我们测试我们的模型合成和真实的扩散张量成像数据,并表明,我们的模型优于其他多元回归模型时,流形值的响应包含粗差,是有效的识别粗差。
2017-09-11 cs.CV math.OC stat.ML
Spherical Regression: Learning Viewpoints, Surface Normals and 3D Rotations on n-Spheres
University of Amsterdam(阿姆斯特丹大学)
许多计算机视觉挑战需要连续输出,但往往通过离散分类来解决。原因是分类自然包含在概率$n$ -单纯形中,如流行的softmax激活函数所定义的。常规回归缺乏这样的封闭几何,导致不稳定的训练和收敛到次优的局部最小值。从这个观点出发,我们重新审视卷积神经网络中的回归。我们观察到计算机视觉中的许多连续输出问题都自然地包含在封闭的几何流形中,如视点估计中的欧拉角或表面法线估计中的法线。一个自然的框架,提出这样的连续输出问题是$n$球,这是自然封闭的几何流形定义在$\mathbb{R}^{(n+1)}$空间。通过在回归输出端的$n$ -spheres上引入一个球形指数映射,我们获得了表现良好的梯度,从而实现了稳定的训练。我们展示了我们的球面回归如何用于几个计算机视觉的挑战,特别是视点估计,表面法线估计和3D旋转估计。对于所有这些问题,我们的实验证明了球面回归的好处。所有的论文资源都可以在https://github.com/leoshine/Spherical_Regression上找到。
2019-04-10 cs.CV cs.LG
Rotation Perturbation Robustness in Point Cloud Analysis: A Perspective of Manifold Distillation
Shanghai Jiao Tong University(上海交通大学);Shanghai Key Laboratory of Intelligent Sensing and Recognition(上海智能感知与识别重点实验室);School of Sensing Science and Engineering(感知科学与工程学院);Intelligent Photoelectric Sensing Institute(智能光电感知研究院)
针对点云学习对旋转扰动敏感的问题,本文从流形视角重新建模点云,提出流形蒸馏方法,通过教师网络在线蒸馏将旋转鲁棒性迁移给学生网络,在多数据集上实现了分类与分割性能的显著提升,且具备优异的抗噪抗离群点能力。
2024-11-04 cs.CV
SurReal: Complex-Valued Learning as Principled Transformations on a Scaling and Rotation Manifold
International Computer Science Institute (ICSI)(国际计算机科学研究所(ICSI));University of California, Berkeley (UC Berkeley)(加利福尼亚大学伯克利分校(UC Berkeley))
复值数据在信号和图像处理应用中无处不在,并且深度学习中的复值表示具有吸引人的理论属性。虽然这些方面早已被认识到,但复值深度学习仍然远远落后于实值学习。我们提出了一种原则性的几何方法来进行复值深度学习。复值数据通常可以进行任意复值缩放;因此,实部和虚部可以协变。我们没有将复值视为实值的两个独立通道,而是认识到它们的基本几何:我们将复数空间建模为非零尺度和平面旋转的乘积流形。任意复值标度自然地成为这个流形上的一组传递作用。我们建议将该性质而不是实值函数的形式推广到复域。我们将卷积定义为流形上的加权Fréchet平均,该流形与缩放/旋转动作组等变,并定义流形上的距离变换,该距离变换对动作组不变。流形视角还允许我们定义非线性激活函数,例如切线ReLU和G-传输,以及流形值数据上的残差连接。我们将我们的模型命名为SurReal,因为我们在MSTAR和RadioML上的实验提供了高性能,只有一小部分实值和复值基线模型。
2020-11-06 cs.CV
A Laplace-inspired Distribution on SO(3) for Probabilistic Rotation Estimation
Peking University(北京大学)
从单个RGB图像估计3DoF旋转是一个重要但具有挑战性的问题。概率旋转回归因其在预测的同时能够表达不确定性信息而受到越来越多的关注。虽然使用类高斯Bingham分布和矩阵Fisher分布建模噪声是自然的,但是由于对偏差的二次惩罚的性质,它们被示出对离群值敏感。本文从多变量Laplace分布中得到启发,提出了一种新的SO(3)上的旋转Laplace分布.旋转拉普拉斯分布对野值的干扰具有很强的鲁棒性,并在低误差区域施加更大的梯度,从而获得更好的收敛性。我们广泛的实验表明,我们提出的分布在概率和非概率基线上实现了旋转回归任务的最新性能。我们的项目页面位于https://pku-epic.github.io/RotationLaplace。
2023-03-03 cs.CV
Unified Heat Kernel Regression for Diffusion, Kernel Smoothing and Wavelets on Manifolds and Its Application to Mandible Growth Modeling in CT Images
University of Wisconsin, Madison(威斯康星大学麦迪逊分校);National University of Singapore(新加坡国立大学);Seoul National University(首尔大学)
我们提出了一种新的核回归框架平滑标量表面数据使用Laplace-Beltrami特征函数。从特征函数构造的热核开始,我们将一个新的二元核回归框架表述为以热核为权重的加权特征函数展开。新的核回归在数学上等价于各向同性热扩散,核平滑和最近流行的扩散小波。与许多以前的偏微分方程为基础的方法,涉及扩散,我们的方法表示扩散解析的解决方案,减少数值不准确性和收敛速度慢。数值实现验证了一个单位球使用球谐函数。作为一个例子,我们已经应用该方法在表征的局部生长模式的下颌骨表面从0岁至20岁之间的受试者的CT图像中获得的位移向量的长度相对于模板表面回归。
2015-02-17 cs.CV stat.ME
Geometry-Aware Hierarchical Bayesian Learning on Manifolds
Arizona State University(亚利桑那州立大学)
贝叶斯学习与高斯过程在解决计算机视觉任务中表现出令人鼓舞的回归和分类性能。然而,贝叶斯方法的三维流形值的视觉数据,如网格和点云,很少被研究。其中一个主要的挑战是如何有效和高效地聚合几何特征的不规则输入。在本文中,我们提出了一个分层贝叶斯学习模型来解决这一挑战。我们首先介绍了一个内核的几何意识和内核内卷积的属性。这使得几何合理的流形上的推论,而不使用任何特定的手工制作的特征描述符。然后,我们使用高斯过程回归来组织输入,最后实现一个分层贝叶斯网络的特征聚合。此外,我们将神经网络的特征学习与贝叶斯模型的特征聚集结合起来,研究流形上联合学习的可行性。实验结果表明,该方法不仅优于现有的贝叶斯方法在流形上,但也展示了神经网络与贝叶斯网络耦合的前景。
2021-10-30 cs.CV
Probabilistic Regression of Rotations using Quaternion Averaging and a Deep Multi-Headed Network
University of Toronto(多伦多大学)
旋转的准确估计对于增强现实和机器人中基于视觉的运动估计是至关重要的。在这项工作中,我们提出了一种从深度回归模型中提取旋转概率估计的方法。首先,我们建立在以前的工作,并认为我们命名为HydraNet的多头网络结构提供了更好的校准不确定性估计比依赖于随机向前传递的方法。其次,我们将HydraNet扩展到属于旋转组SO(3)的目标,通过回归单位四元数并使用旋转平均和不确定性注入到流形上的工具来产生三维协方差。最后,我们提出了一个合成数据集的结果和分析,学习一致的方向估计的7场景数据集,并显示我们如何使用我们学到的协方差融合深度估计的相对方向与经典的立体视觉里程计,以提高本地化的KITTI数据集。
2020-05-08 cs.CV cs.LG cs.RO
Shonan Rotation Averaging: Global Optimality by Surfing $SO(p)^n$
Georgia Institute of Technology(佐治亚理工学院);Australian National University(澳大利亚国立大学)
Shonan Rotation Averaging是一种快速、简单、优雅的旋转平均算法,保证在对测量噪声的温和假设下恢复全局最优解。我们的方法采用半定松弛,以恢复证明全球最优解的旋转平均问题。与之前的工作相比,我们展示了如何使用流形最小化(仅略微)高维旋转流形来解决这些松弛的大规模实例,重新使用现有的高性能(但局部)运动结构管道。因此,我们的方法保留了当前SFM方法的速度和可扩展性,同时恢复全局最优解。
2020-08-06 cs.CV
Rethinking IoU-based Optimization for Single-stage 3D Object Detection
Zhejiang University(浙江大学);Alibaba Cloud Computing Ltd.(阿里云计算有限公司);National University of Singapore(新加坡国立大学)
由于基于交并(IoU)的优化保持了最终IoU预测度量和损失的一致性,因此它已广泛用于单级2D对象检测器的回归和分类分支。近年来,一些3D目标检测方法采用基于IoU的优化,并直接用3D IoU代替2D IoU。然而,由于复杂的实现和低效的向后操作,这种3D中的直接计算是非常昂贵的。此外,基于3D IoU的优化是次优的,因为它对旋转敏感,因此可能导致训练不稳定和检测性能恶化。在本文中,我们提出了一种新的旋转解耦IoU(RDIoU)方法,可以减轻旋转敏感性问题,并在训练阶段产生比3D IoU更有效的优化目标。具体来说,我们的RDIoU通过将旋转变量解耦为独立项,简化了回归参数的复杂交互,同时保留了3D IoU的几何结构。通过将RDIoU合并到回归和分类分支中,鼓励网络学习更精确的边界框,并同时克服分类和回归之间的不对齐问题。在KITTI和Waymo Open Dataset上的大量实验验证了我们的RDIoU方法可以为单阶段3D目标检测带来实质性的改进。
2022-07-20 cs.CV
Open-source code for manifold-based 3D rotation recovery of X-ray scattering patterns
利用超短X射线激光脉冲的单粒子3D成像是基于收集和组合物体在不同取向处的2D散射图案的信息内容。典型的样品递送方案几乎没有或没有留下用于控制取向的空间。因此,应在实验之后估计与给定快照相关联的取向。在这里,我们提出了一个开源代码的最严格的技术已在这方面的报告。还讨论了一些实际问题以及提出的解决方案。
2014-11-26 cs.CV physics.optics
Towards Robust Probabilistic Modeling on SO(3) via Rotation Laplace Distribution
Peking University(北京大学);School of Computer Science, Peking University(北京大学计算机学院);School of EECS, Peking University(北京大学电子工程与计算机科学学院);School of Intelligence Technology, Peking University(北京大学智能技术学院)
针对SO(3)上现有概率旋转建模方法对异常值敏感的问题,提出旋转拉普拉斯分布及其混合模型,在旋转回归任务中达到SOTA性能,且适用于半监督场景。
2025-02-21 cs.AI cs.CV
Predicting build orientation for SLM dental parts: a comparison of rotation representations and direct vector regression
Technical University of Applied Sciences Augsburg(奥格斯堡应用技术大学);R. Waitz Data & Science(R. Waitz数据与科学公司)
本研究比较多种旋转表示预测SLM牙科零件构建方向,发现测试时增强是提升精度的关键,最佳表示依赖骨干网络。
2026-09-15 cs.AI cs.CV
Gaussian Process Regression for Out-of-Sample Extension
Tel Aviv University(特拉维夫大学)
流形学习方法对于高维数据分析是非常有用的。许多现有的方法产生一个低维的表示,试图描述原始数据的内在几何结构。通常,该过程在计算上是昂贵的,并且所产生的嵌入限于训练数据。在许多现实生活场景中,产生嵌入未见过样本的能力是必不可少的。在本文中,我们提出了一个贝叶斯非参数方法的样本外扩展。该方法基于高斯过程回归,不依赖于流形学习算法。此外,该方法自然地提供了对未参与训练过程的新到达的数据点的异常程度的测量。我们推导出所提出的方法和Nystrom扩展之间的数学联系,并表明后者是前者的特殊情况。我们提出了广泛的实验结果,证明所提出的方法的性能,并将其与其他现有的样本外扩展方法。
2016-06-05 cs.CV cs.LG
3D Equivariant Pose Regression via Direct Wigner-D Harmonics Prediction
Pohang University of Science and Technology (POSTECH)(浦项科技大学(POSTECH))
针对单图像3D姿态估计中空间参数化不连续与奇异性问题,提出频域直接预测Wigner-D系数的SO(3)-等变方法,与球面CNN对齐,在基准上实现最先进精度、鲁棒性与数据效率。
2024-11-04 cs.CV cs.LG cs.RO