クロス視点知覚による細粒度対応学習で実現するオープンボキャブラリ6D物体姿勢推定

- 自然言語のみで任意の未見物体を操作するための Open-vocabulary 6D object pose estimation の新手法 FiCoP を提案。 - 既存手法の global matching は背景の distractor と混同しやすい問題を指摘。 - 空間制約付き patch-level correspondence へ移行する枠組み。 - 対象物体の分離、二視点融合、patch 相関予測を組み合わせる。

- 従来は anchor features を query image 全体と照合する unconstrained global matching に依存。 - これに対し FiCoP は spatially-constrained patch-level correspondence を採用。 - object-centric disentanglement で macro-level の環境ノイズを除去。 - 結果として REAL275 で Average Recall 8.0%、Toyota-Light で 6.1% 改善。

- まず object-centric disentanglement により対象を環境ノイズから分離。 - Cross-Perspective Global Perception (CPGP) で dual-view features を融合。 - 明示的な context reasoning と text-guided semantic injection で構造的合意を形成。 - Patch Correlation Predictor (PCP) が patch-to-patch correlation matrix を構造 prior として利用。 - block-wise association map を生成し、空間フィルタとして fine-grained matching を実現。

- REAL275 と Toyota-Light のデータセットで実験。 - state-of-the-art 手法と比較し Average Recall がそれぞれ 8.0%、6.1% 向上。 - 複雑で制約のない open-world 環境でのロボット知覚の頑健性と汎化性を示すと主張。 - ソースコードは公開予定。

- 既存の global matching の曖昧さと背景混同を主要な課題として議論。 - 空間制約と patch 相関によるノイズ耐性の向上を主張。 - 具体的な限界や失敗事例、計算コストなどの議論は要旨からは不明。

- 比較対象として state-of-the-art の Open-vocabulary 6D object pose estimation 手法（具体名は要旨からは不明）。 - 関連手法として global matching を用いる既存研究。 - データセット REAL275、Toyota-Light を用いた研究。 - 同分野の定番として 6D object pose estimation、open-vocabulary learning、cross-perspective perception に関する論文。