要約
実用的なオブジェクトポーズ推定は、対象オブジェクトに対する遮蔽（オクルージョン）に対して堅牢性が求められる。最先端（SOTA）のオブジェクトポーズ推定手法は、二段階アプローチを採用している。第一段階では深層ネットワークを用いて2次元ランドマークを予測し、第二段階では2D-3D対応点から6自由度（6DOF）ポーズを解く。この二段階アプローチは広く採用されているが、一般化時に新たな遮蔽が発生した場合に脆弱になる傾向があり、また特徴量の破壊によりランドマーク間の整合性が弱まるという課題を抱えている。これらの問題に対処するため、本研究では遮蔽とブラックアウトを組み合わせた新しいバッチ増強技術を提案し、遮蔽に強い深層特徴の学習を可能にする。さらに、一貫性のあるランドマーク予測と高精度なポーズ表現学習を促進するためのマルチ精度監視アーキテクチャを設計した。本手法の各革新点の有効性を慎重なアブレーション実験により検証し、SOTAのポーズ推定手法と比較した結果、後処理や refine を一切不要として、LINEMODデータセットにおいて優れた性能を示した。YCB-Videoデータセットにおいても、ADD(-S)指標においてすべての refine を行わない手法を上回った。さらに、本手法の高いデータ効率性も実証した。本研究のコードは、http://github.com/BoChenYS/ROPE にて公開されている。