MemPose: 메모리를 활용한 객체 범주별 자세 추정

MemPose: Category-level Object Pose Estimation with Memory

견고하고 일반화 가능한 객체 범주별 자세 추정을 위해, 대부분의 기존 방법은 데이터로부터 효과적인 표현을 학습하는 파라미터 기반 방식을 채택합니다. 하지만 이러한 방식들은 주로 범주 수준의 패턴을 고정된 형태 사전 또는 정적 파라미터 가중치로 인코딩하여, 매우 다양한 객체에 대한 확장성을 제한합니다. 본 논문에서는 메모리 중심적인 관점에서 객체 범주별 자세 추정을 재고하고, 범주 수준의 기하학적 정보를 명시적으로 통합하는 MemPose라는 메모리 기반 프레임워크를 제안합니다. 우리는 외부 메모리 버퍼를 도입하여 이전에 관찰된 객체의 구조적 표현을 저장하고 동적으로 업데이트하며, 이를 통해 모델이 축적된 경험을 활용하여 현재의 인식 능력을 향상시키도록 합니다. 네 가지 어려운 벤치마크(REAL275, CAMERA25, Housecat6D 및 Wild6D)에 대한 광범위한 실험 결과는 제안하는 방법이 기존 최고 성능 기술보다 우수함을 보여줍니다.

In the pursuit of robust and generalizable category-level object pose estimation, most existing methods adopt parametric formulations that learn effective representations from data, yet they primarily encode category-level patterns into fixed shape priors or static parameter weights, which limits their scalability to highly diverse instances. In this paper, we rethink category-level pose estimation from a memory-centric perspective and present MemPose, a memory-augmented framework that explicitly incorporates category-level geometric memory into the pose estimation pipeline. We introduce an external memory buffer that stores and dynamically updates structural representations from previously observed instances, enabling the model to leverage accumulated experience to support current perception. Extensive experiments on four challenging benchmarks (REAL275, CAMERA25, Housecat6D and Wild6D) demonstrate the superiority of our proposed method over previous state-of-the-art approaches.