OmniNOCS: Een verenigde NOCS-dataset en model voor 3D-reconstructie van 2D-objecten

OmniNOCS: A unified NOCS dataset and model for 3D lifting of 2D objects

July 11, 2024

Auteurs: Akshay Krishnan, Abhijit Kundu, Kevis-Kokitsi Maninis, James Hays, Matthew Brown

cs.AI

Samenvatting

Wij stellen OmniNOCS voor, een grootschalige monocular dataset met 3D Normalized Object Coordinate Space (NOCS) kaarten, objectmaskers en 3D begrenzingsvakannotaties voor zowel binnen- als buitenscènes. OmniNOCS bevat 20 keer meer objectklassen en 200 keer meer instanties dan bestaande NOCS-datasets (NOCS-Real275, Wild6D). We gebruiken OmniNOCS om een nieuw, transformer-gebaseerd monocular NOCS-voorspellingsmodel (NOCSformer) te trainen dat nauwkeurige NOCS, instantiemaskers en poses kan voorspellen vanuit 2D-objectdetecties over diverse klassen. Het is het eerste NOCS-model dat kan generaliseren naar een breed scala aan klassen wanneer het wordt geprompt met 2D-vakken. We evalueren ons model op de taak van 3D georiënteerd begrenzingsvakvoorspelling, waar het vergelijkbare resultaten behaalt met state-of-the-art 3D-detectiemethoden zoals Cube R-CNN. In tegenstelling tot andere 3D-detectiemethoden, biedt ons model ook gedetailleerde en nauwkeurige 3D-objectvormen en segmentatie. We stellen een nieuwe benchmark voor voor de taak van NOCS-voorspelling gebaseerd op OmniNOCS, die we hopen zal dienen als een nuttige basislijn voor toekomstig werk op dit gebied. Onze dataset en code zullen beschikbaar zijn op de projectwebsite: https://omninocs.github.io.

English

We propose OmniNOCS, a large-scale monocular dataset with 3D Normalized Object Coordinate Space (NOCS) maps, object masks, and 3D bounding box annotations for indoor and outdoor scenes. OmniNOCS has 20 times more object classes and 200 times more instances than existing NOCS datasets (NOCS-Real275, Wild6D). We use OmniNOCS to train a novel, transformer-based monocular NOCS prediction model (NOCSformer) that can predict accurate NOCS, instance masks and poses from 2D object detections across diverse classes. It is the first NOCS model that can generalize to a broad range of classes when prompted with 2D boxes. We evaluate our model on the task of 3D oriented bounding box prediction, where it achieves comparable results to state-of-the-art 3D detection methods such as Cube R-CNN. Unlike other 3D detection methods, our model also provides detailed and accurate 3D object shape and segmentation. We propose a novel benchmark for the task of NOCS prediction based on OmniNOCS, which we hope will serve as a useful baseline for future work in this area. Our dataset and code will be at the project website: https://omninocs.github.io.