- 类别级物体姿态估计（category-level object pose estimation）面临观测点云天然不完整的问题，现有方法难以捕获完整形状进行鲁棒姿态推理
- 独立的点云补全预处理步骤会引入复合误差和额外计算开销，降低精度和效率
- 研究背景：需要一种统一框架，将形状补全与姿态估计紧密结合，避免误差累积并提升鲁棒性
- 提出**ComPose** 统一框架，通过**形状补全（shape completion）** 提供完整几何线索以增强姿态估计
- 核心模块为**基于关键点的渐进式补全模块（keypoint-based progressive completion module）**，逐步预测稀疏关键点及其周围密集点集，使关键点捕获整体物体几何
- 引入**几何关系编码模块（geometric relation encoding module）**，丰富关键点特征的局部与全局几何上下文
- 设计**几何关系一致性损失（geometric relation consistency loss）**，强制观测关键点与预测NOCS坐标之间的结构对齐，确保全局一致的坐标变换
- **首次** 将形状补全与姿态估计整合为**统一框架（unified framework）**，而非分离预处理，避免误差传播和计算冗余
- **渐进式关键点补全** 策略，从稀疏到密集逐步恢复完整形状，使关键点同时承载语义和几何信息
- **几何关系一致性损失** 实现了观测空间与规范空间的结构对齐，保障整体坐标变换的全局一致性
- **无需类别级形状先验（category-level shape priors）**，通过自监督约束即可超越现有SOTA方法
- 为类别级物体姿态估计提供了一种**统一补全-姿态（Completion-Pose）范式**，显著提升对不完整点云的鲁棒性
- 在标准基准上取得**SOTA（state-of-the-art）** 性能，无需依赖类别级形状先验
- 提出的**渐进式关键点补全** 与**几何关系一致性损失** 可推广至其他涉及部分观测形状的视觉任务
- 有效降低复合误差并提升效率，为实际应用（如机器人抓取、增强现实）提供更可靠的姿态估计方案