论文精读笔记：You Only Estimate Once

1. 研究对象

传统 category-level pose 通常估计整件刚体；YOEO 估计的是关节物体中的功能部件。同一柜体可同时包含多个抽屉把手，系统必须同时完成 semantic segmentation、instance separation 和 part pose。

2. 三个逐点预测任务

对观测点 $p_i$，网络预测：

• 语义概率 $s_i$：属于哪类功能部件；
• centroid offset $\Delta c_i$：指向所属实例中心；
• NPCS coordinate $q_i$：该点在 canonical part frame 中的位置。

投票点为：

$$\hat c_i=p_i+\Delta c_i.$$

同语义点在中心空间聚类，便可分开多个相同类型的 handle。随后 $(q_i,p_i)$ 构成 canonical-to-camera 对应。

3. 从 NPCS 到相似变换与部件 pose / size

Umeyama alignment 求相似变换：

$$\min_{s,R,t}\sum_i \left\|p_i-(sRq_i+t)\right\|_2^2.$$

其中 $R$ 是 rotation，$t$ 是 translation，$s$ 为各向同性标量尺度；这不是独立回归三轴尺度的 9D 参数化。RANSAC 先剔除错误 NPCS 对应，避免边界语义错误直接拉坏闭式解。

这一结构的优点是网络不直接回归 rotation：它预测 dense canonical correspondence，再让几何 solver 保证刚体 / 相似变换合法性。

4. 为什么并行学习有益

Semantic、centroid 和 NPCS 并不是独立任务：

• semantic 决定使用哪个 canonical part frame；
• centroid 帮助分实例，减少 NPCS 被其他同类部件污染；
• NPCS 提供部件内部几何，反过来改善 semantic boundary。

消融中并行训练把 rotation error 从 19.6 降到 9.0，同时 mIoU 从 52.3 升到 57.6，支持共享表征确有协同，而非只为加速。

5. 数据与分布

GAPartNet 包含：

• 1166 个对象；
• 8489 个 part instances；
• 27 个 object categories；
• 9 个 part classes；
• 平均每对象约 7.3 个功能部件；
• 一个部件类平均跨约 8.8 个对象类别出现。

跨对象类别共享功能部件是方法泛化的基础：drawer handle 和 door handle 外观不同，但操作语义与局部几何可以共享。

6. 结果与机器人验证

真实任务	成功 / 10
Hinge handle	9
Drawer	5
Hinge lid	8
合计	22 / 30

GAPartNet baseline 为 20 / 30。2 次成功差表明感知改善能转化到操作，但 30 次样本较小，且 drawer 只有 50% 成功率，不能宣称系统已稳定解决真实操作。

7. 速度解读

Table I 报告约 200 Hz，原文计时范围是对象点云输入到部件 pose 输出，包含下列前三项所处的估计路径，并未给出各项耗时分解；原始 RGB-D 点云生成、对象检测 / 选择与机器人执行不应混入同一计时口径。应分清：

• backbone 前向；
• point clustering；
• RANSAC + Umeyama；
• RGB-D 点云生成；
• 机器人规划与控制。

“对象点云到部件 pose 的 200 Hz”可支持闭环反馈，不等于原始传感器到机器人完成抓取的整个 pipeline 每秒运行 200 次。

8. 局限

• 小部件点数少，centroid voting 与 NPCS 都不稳定。
• 金属 / 反光表面会造成 RGB-D 缺失。
• 对称把手的 canonical rotation 可能不可观测。
• 单帧估计没有利用关节运动学和时序连续性。
• 部件 pose 正确不代表无碰撞、可达或能完成完整 articulation trajectory。

9. 精读结论

YOEO 的“一阶段”不是抛弃几何，而是把可学习部分集中为逐点语义与 correspondence，再用聚类和 Umeyama 保证实例与姿态结构。其亮点是部件级泛化与实时闭环潜力；机器人实验也暴露了从 6D pose 到稳定操作之间仍有明显鸿沟。