KASALv2: Fully Automatic 3D Rotational Symmetry Classification and Axis Localization
作者: Mengxin Zhang, Yulin Wang, Chen Luo, Yongzhe Li, Yijun Zhou
分类: cs.CV, cs.AI, cs.GR
发布日期: 2026-10-07
备注: CVPR 2026. 10 pages, 4 figures. Mengxin Zhang and Yulin Wang contributed equally. Corresponding authors: Chen Luo and Yijun Zhou
期刊: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026, pp. 13866-13875
🔗 代码/项目: GITHUB
💡 一句话要点
提出KASALv2以解决3D物体旋转对称性自动分类问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 3D旋转对称性 姿态估计 自动分类 无参考框架 自一致性分析 层次引导 纹理感知
📋 核心要点
- 现有的3D物体旋转对称性标注方法大多依赖人工或半自动方式，缺乏可扩展性。
- 本研究提出了一种全自动的框架，能够无参考地进行对称性分类和轴线定位，提升了效率和准确性。
- 在多个数据集上的实验结果显示，该方法的准确率达到了94.75%，并且对下游6D姿态估计有显著提升。
📝 摘要（中文）
旋转对称性是6D姿态估计中的重要先验知识，能够提高姿态精度并支持对称性评估。然而，当前3D物体的对称性标注仍然主要依赖人工或半自动方式，通常需要预定义类型或顺序，限制了其可扩展性。本研究提出了一种完全自动、无参考的框架，用于对称类型分类、旋转顺序识别和完整轴线定位，涵盖所有八种典型的3D旋转对称性类型。该方法通过自一致性分析推断旋转顺序，并在层次引导的框架下重建完整的对称结构。实验结果表明，该方法在理想化和真实世界数据集上均表现出强大的准确性和泛化能力，在438个对称物体的GSO数据集中达到了94.75%的准确率。
🔬 方法详解
问题定义：本论文旨在解决3D物体旋转对称性自动分类和轴线定位的问题。现有方法依赖人工标注，缺乏灵活性和可扩展性，限制了其应用范围。
核心思路：论文提出了一种完全自动的框架，能够在没有参考的情况下进行对称性分类和轴线定位。通过自一致性分析推断旋转顺序，并在层次引导下重建对称结构，从而提高了对称性分析的效率和准确性。
技术框架：该方法主要包括三个模块：对称类型分类、旋转顺序识别和轴线定位。首先，通过分析输入物体的几何特征进行对称性分类；然后，利用自一致性分析推断旋转顺序；最后，重建完整的对称结构。
关键创新：本研究的主要创新在于提出了一种无参考的自动化框架，能够处理所有八种典型的3D旋转对称性类型，显著提高了对称性分析的自动化程度和准确性。
关键设计：在技术细节上，论文采用了层次引导的框架设计，并引入了纹理感知扩展，以建模外观引起的旋转顺序减少，同时保持轴线方向。
🖼️ 关键图片
📊 实验亮点
在438个对称物体的GSO数据集中，该方法达到了94.75%的准确率，显示出强大的准确性和泛化能力。此外，使用这些自动估计的旋转先验，训练FoundationPose在五个BOP数据集上的准确性提升了最多0.9%。
🎯 应用场景
该研究的潜在应用领域包括机器人视觉、增强现实和计算机图形学等。通过自动化的对称性分析，能够提升物体识别和姿态估计的准确性，进而推动相关技术的发展和应用。
📄 摘要（原文）
Rotational symmetry is an important prior in 6D pose estimation, improving pose accuracy and supporting symmetry-aware evaluation. However, current symmetry annotations for 3D objects remain largely manual or semi-automatic, often requiring predefined types or orders, which limits scalability. This work introduces a fully automatic, reference-free framework for symmetry-type classification, rotational-order identification, and full-axis localization across all eight canonical 3D rotational symmetry types. The method localizes a dominant high-order axis, infers its rotational order through self-consistency analysis, and reconstructs the complete symmetry structure under a hierarchy-guided formulation. A texture-aware extension further models appearance-induced reductions in rotational order while preserving axis orientations. Experiments on idealized and real-world datasets demonstrate strong accuracy and generalization, achieving 94.75% accuracy on 438 symmetric objects in GSO. Training FoundationPose with these priors improves accuracy by up to 0.9% across five BOP datasets, showing that automatically estimated rotational priors improve downstream 6D pose estimation. Code is available at https://github.com/WangYuLin-SEU/KASAL.