Towards Symmetry-sensitive Pose Estimation: A Rotation Representation for Symmetric Object Classes

📄 arXiv: 2604.18208v1 📥 PDF

作者: Andreas Kriegler, Csaba Beleznai, Margrit Gelautz

分类: cs.CV, math.GT

发布日期: 2026-04-20

备注: Published Open-Access in IJCV, see https://link.springer.com/article/10.1007/s11263-026-02770-x . 28 pages, 6 figures, 9 tables, 1 algorithm

期刊: Int J Comput Vis 134, 212 (2026)

DOI: 10.1007/s11263-026-02770-x

🔗 代码/项目: GITHUB

💡 一句话要点

提出对称感知姿态估计方法SARR，解决对称物体姿态估计中的方向模糊问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 姿态估计 对称物体 旋转表示 深度学习 方向模糊性

📋 核心要点

  1. 现有姿态估计方法在处理对称物体时，由于方向模糊性，需要复杂的损失函数或对称不变评估指标。
  2. 论文提出SARR表示方法，通过修改三角恒等式，利用物体对称性信息，获得唯一的、连续的姿态表示。
  3. 实验表明，基于SARR训练的网络在对称敏感指标下优于现有技术，且在无对称性先验知识时仍表现良好。

📝 摘要（中文）

对称物体在日常生活中和工业界很常见，但其固有的方向模糊性阻碍了深度学习网络对姿态估计的训练，而文献中很少讨论这个问题。为了解决这些模糊性，现有的解决方案通常需要设计特定的损失函数和网络架构，或者采用对称不变的评估指标。与此相反，我们专注于旋转本身的数值表示，利用从物体形状导出的对称度来修改三角恒等式。我们使用我们的表示SARR，为两个流行的6D姿态估计数据集T-LESS和ITODD中的对称物体获得规范的（对称解析的）姿态，其中SARR相对于视觉外观是唯一且连续的。这允许我们使用标准的CNN进行3D方向估计，其性能使用对称敏感的余弦距离$ ext{AR}{ ext{C}}$进行评估。我们的网络在使用$ ext{AR}{ ext{C}}$时优于现有技术，并且在使用传统的对称不变度量时实现了令人满意的性能。我们的方法不需要任何3D模型，只需要深度，或者，作为附加实验的一部分，只需要无纹理的RGB/灰度图像作为输入。我们还表明，在SARR上训练的网络优于在旋转矩阵、欧拉角、四元数、标准三角函数或最近流行的6d表示上训练的相同网络——即使在没有物体对称性先验知识的推理场景中也是如此。代码和可视化工具包可在https://github.com/akriegler/SARR 获得。

🔬 方法详解

问题定义：现有方法在处理对称物体的姿态估计时，由于对称性导致的方向模糊性，使得网络难以学习到稳定的姿态表示。现有的解决方案要么依赖于复杂的损失函数和网络结构设计，要么使用对称不变的评估指标，但这些方法都未能从根本上解决对称性带来的问题。这些方法忽略了对称物体本身所蕴含的结构信息，导致训练困难和泛化能力下降。

核心思路：论文的核心思路是设计一种对对称性敏感的旋转表示方法，即SARR。SARR通过将物体的对称性信息融入到旋转表示中，消除了由对称性引起的方向模糊性。具体来说，SARR利用物体的对称度来修改三角恒等式，从而得到一个唯一的、连续的姿态表示。这种表示方法能够更好地反映物体本身的结构信息，从而提高姿态估计的准确性和鲁棒性。

技术框架：整体框架包括以下几个主要步骤：1) 数据预处理：对输入数据（深度图或RGB图像）进行预处理，例如归一化等。2) SARR表示：利用物体的对称性信息，将物体的旋转姿态转换为SARR表示。3) 网络训练：使用标准的CNN网络，以SARR表示作为目标，训练姿态估计模型。4) 姿态估计：将测试图像输入到训练好的网络中，得到SARR表示的姿态估计结果。5) 姿态转换：将SARR表示转换回传统的旋转表示（例如旋转矩阵或四元数）。

关键创新：论文最重要的技术创新点在于提出了SARR表示方法。SARR与现有方法的本质区别在于，它不是简单地忽略对称性，而是将对称性信息融入到旋转表示中，从而消除了方向模糊性。这种方法使得网络能够学习到更加稳定和准确的姿态表示，从而提高了姿态估计的性能。此外，SARR表示是唯一且连续的，这使得网络训练更加容易和稳定。

关键设计：SARR的关键设计在于如何利用物体的对称度来修改三角恒等式。具体来说，对于具有n重旋转对称性的物体，SARR将旋转角度除以n，从而使得旋转角度的范围缩小到[0, 2π/n]。这样，即使物体旋转了n个相同的角度，SARR表示仍然保持不变。此外，论文还设计了一种对称敏感的余弦距离$ ext{AR}_{ ext{C}}$，用于评估姿态估计的准确性。在网络结构方面，论文使用了标准的CNN网络，没有进行特殊的修改。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，基于SARR训练的网络在使用对称敏感的余弦距离$ ext{AR}_{ ext{C}}$时，优于现有技术。此外，即使在没有物体对称性先验知识的推理场景中，基于SARR训练的网络也优于在旋转矩阵、欧拉角、四元数等传统表示上训练的相同网络。这表明SARR表示具有更好的泛化能力和鲁棒性。

🎯 应用场景

该研究成果可广泛应用于机器人抓取、工业自动化、增强现实等领域。在机器人抓取中，准确的姿态估计是实现可靠抓取的关键。在工业自动化中，可以用于产品检测、装配等任务。在增强现实中，可以用于虚拟物体的姿态跟踪和交互。该方法无需3D模型，仅需深度或RGB图像，降低了应用门槛，具有广泛的应用前景。

📄 摘要（原文）

Symmetric objects are common in daily life and industry, yet their inherent orientation ambiguities that impede the training of deep learning networks for pose estimation are rarely discussed in the literature. To cope with these ambiguities, existing solutions typically require the design of specific loss functions and network architectures or resort to symmetry-invariant evaluation metrics. In contrast, we focus on the numeric representation of the rotation itself, modifying trigonometric identities with the degrees of symmetry derived from the objects' shapes. We use our representation, SARR, to obtain canonic (symmetry-resolved) poses for the symmetric objects in two popular 6D pose estimation datasets, T-LESS and ITODD, where SARR is unique and continuous w.r.t. the visual appearance. This allows us to use a standard CNN for 3D orientation estimation whose performance is evaluated with the symmetry-sensitive cosine distance $\text{AR}{\text{C}}$. Our networks outperform the state of the art using $\text{AR}{\text{C}}$ and achieve satisfactory performance when using conventional symmetry-invariant measures. Our method does not require any 3D models but only depth, or, as part of an additional experiment, texture-less RGB/grayscale images as input. We also show that networks trained on SARR outperform the same networks trained on rotation matrices, Euler angles, quaternions, standard trigonometrics or the recently popular 6d representation -- even in inference scenarios where no prior knowledge of the objects' symmetry properties is available. Code and a visualization toolkit are available at https://github.com/akriegler/SARR .