Any6D: Modelvrije 6D Positieschatting van Nieuwe Objecten

Any6D: Model-free 6D Pose Estimation of Novel Objects

March 24, 2025

Auteurs: Taeyeop Lee, Bowen Wen, Minjun Kang, Gyuree Kang, In So Kweon, Kuk-Jin Yoon

cs.AI

Samenvatting

We introduceren Any6D, een modelvrij raamwerk voor 6D objectpose-estimatie dat slechts één RGB-D ankerafbeelding nodig heeft om zowel de 6D pose als de grootte van onbekende objecten in nieuwe scènes te schatten. In tegenstelling tot bestaande methoden die afhankelijk zijn van textuurrijke 3D-modellen of meerdere gezichtspunten, maakt Any6D gebruik van een gezamenlijk objectuitlijningsproces om de 2D-3D-uitlijning en metrische schaalschatting te verbeteren voor een hogere pose-nauwkeurigheid. Onze aanpak integreert een render-en-vergelijk strategie om pose-hypothesen te genereren en te verfijnen, wat robuuste prestaties mogelijk maakt in scenario's met occlusies, niet-overlappende views, diverse lichtomstandigheden en grote variaties tussen omgevingen. We evalueren onze methode op vijf uitdagende datasets: REAL275, Toyota-Light, HO3D, YCBINEOAT en LM-O, en tonen aan dat deze aanzienlijk beter presteert dan state-of-the-art methoden voor pose-estimatie van nieuwe objecten. Projectpagina: https://taeyeop.com/any6d

English

We introduce Any6D, a model-free framework for 6D object pose estimation that requires only a single RGB-D anchor image to estimate both the 6D pose and size of unknown objects in novel scenes. Unlike existing methods that rely on textured 3D models or multiple viewpoints, Any6D leverages a joint object alignment process to enhance 2D-3D alignment and metric scale estimation for improved pose accuracy. Our approach integrates a render-and-compare strategy to generate and refine pose hypotheses, enabling robust performance in scenarios with occlusions, non-overlapping views, diverse lighting conditions, and large cross-environment variations. We evaluate our method on five challenging datasets: REAL275, Toyota-Light, HO3D, YCBINEOAT, and LM-O, demonstrating its effectiveness in significantly outperforming state-of-the-art methods for novel object pose estimation. Project page: https://taeyeop.com/any6d