【CVPR】3D Object Detection with Geometry-Aware Diffusion Features

论文地址:https://openaccess.thecvf.com/content/CVPR2024/papers/Xu_3DiffTection_3D_Object_Detection_with_Geometry-Aware_Diffusion_Features_CVPR_2024_paper.pdf

1、效果

其实验结果(如大幅超越Cube-RCNN)也验证了这套方法的有效性。

2、主要贡献

通过视图合成增强具有3D感知的预训练2D扩散模型;将这些特征应用于3D检测任务和目标领域;进一步提高检测性能。

3、摘要

3DIFFTECTION是一个"先赋予几何感知,再进行检测微调"​ 的两阶段框架。它巧妙地利用无需3D标注的图片(如视频帧)​ 来教会一个扩散模型"理解3D几何",然后将这个拥有了3D"大脑"的模型变成一个强大的3D目标检测器。

4、思路

4.1 ControlNet

展示的 "Geometric ControlNet with Epipolar warp Operator"​ 正是其第一阶段(几何调优)的核心技术实现

具体来说:

几何调优(对应图中的架构):

目标:不是为了生成漂亮的图片,而是为了让扩散模型的特征具备3D感知能力。

方法:在Stable Diffusion的编码器上,附加一个可训练的Geometric ControlNet(如图中橙色部分所示)。它接收一张条件图片​ 和目标相机位姿。

关键操作:通过极线扭曲算子,将条件图片的特征,根据两张图片之间的相机几何关系(极线几何),"扭曲"到目标视角。这个过程强制模型学习如何根据一张图推理另一视角下的场景内容,本质上是在学习3D结构。

优势:这个训练只需要有相机位姿的图片对(如视频帧),完全不需要3D框或点云标注,解决了数据标注瓶颈。

4.2 语义调优

目标:将已经具备3D感知能力的模型特征,适配到具体的3D目标检测任务上。

方法:在几何调优后的模型基础上,使用带有3D检测标注的目标数据集​ 进行进一步训练。这里依然采用ControlNet架构,以保护并利用第一阶段学到的强大几何特征。

测试时集成:

推理策略:在最终检测时,模型不仅看输入的那一张图,还会在多个虚拟视角​ 上进行特征预测和集成。这相当于让模型"环视"这个物体,做出更准确的3D判断,充分释放了其3D感知能力的优势。

非常有趣的论文,很创新!

相关推荐
chh5634 小时前
从 BERT 到大模型:让模型从“会接龙”到“会回答
人工智能·深度学习·bert
TomEval4 小时前
【测AI】第26篇:线上模型监控与告警体系 — 测试不是终点
人工智能·python·功能测试·ai
ZhengEnCi5 小时前
AI 总模仿代码库里的过时写法怎么办:先清坏样例,再用类型与测试让 AI 无法犯错
人工智能·ai编程
一只爱撸猫的程序猿5 小时前
五周、两个开源仓库、九次拦截之后:AI 时代程序员缺的到底是什么
人工智能·后端·开源
GitCode官方6 小时前
开源鸿蒙跨平台直播|AI 时代,用 cj-tauri 开发鸿蒙 PC 应用
人工智能·华为·harmonyos·atomgit
老金带你玩AI6 小时前
GPT-6.2更强更便宜了,为什么还有人骂?
人工智能
CyrusYiVPP6 小时前
实测 uv 0.13.7:同一套包,pip 装 94 秒,它只用 19 秒
人工智能·python
泯泷7 小时前
OpenClaw 退潮背后,是 AI 圈“技术自嗨”的终结
人工智能·chatgpt·llm
罗西的思考7 小时前
【轻量化复刻大模型 / KIMI K3】Muon 优化器及 训练系统
人工智能·算法·机器学习
屿华AI7 小时前
AUTOSAR 实战-诊断工具 | 用 Claude Code 开发诊断测试工具:AI 协作开发实践
人工智能·测试工具