论文页面 - SUFLECA：扩展特征学习以实现CAD到图像对齐

来源：https://huggingface.co/papers/2607.15058

摘要

CAD到图像对齐旨在从单张RGB图像中估计物体的9D姿态（旋转、平移和各向异性缩放），从而支持机器人技术和增强现实应用。最近的零样本方法利用视觉基础模型将图像区域与CAD模型进行匹配，但这些对应关系通常由外观驱动，在遮挡或仿真到现实域迁移下性能会下降。为解决这些局限性，我们提出了SUFLECA（Scaling Up Feature LEarning for CAD Alignment），这是一个用于零样本CAD对齐的弱监督框架，包含两项关键贡献。首先，SUFLECA通过归一化物体坐标（NOCs）监督，在涵盖12个真实和合成数据集的674K张图像上扩展了基于预训练视觉表示的几何驱动特征学习，学习到能够跨域泛化的紧凑几何感知特征。其次，我们提出了一种几何一致的匹配算法，能够建立可靠的一对一CAD到图像对应关系。综合这些贡献，该方法能够在无需迭代姿态优化的前提下，对每个物体实例实现精确、亚秒级的对齐。在ScanNet25k上，SUFLECA实现了33.4%/42.3%的类别/实例准确率，以更小的计算开销超越了最强零样本基线10.3/12.2个百分点，并且在该基准上首次超越了全监督方法。代码已开源：https://github.com/snt-arg/SUFLECA

查看arXiv页面 (https://arxiv.org/abs/2607.15058)查看PDF (https://arxiv.org/pdf/2607.15058)GitHub1 (https://github.com/snt-arg/SUFLECA)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.15058)

在您的代理中获取此论文：

hf papers read 2607\.15058

没有最新的CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

在模型README.md中引用arxiv.org/abs/2607.15058以在此页面链接它。

引用此论文的数据集0

没有数据集链接此论文

在数据集README.md中引用arxiv.org/abs/2607.15058以在此页面链接它。

引用此论文的Space0

没有Space链接此论文

在Space README.md中引用arxiv.org/abs/2607.15058以在此页面链接它。

包含此论文的收藏0

没有收藏包含此论文

将此论文添加到收藏 (https://huggingface.co/new-collection)以在此页面链接它。