C-Reference：通过众包联合对象估计提高2D到3D物体姿态估计精度

将使用RGB相机捕获的广泛可用的2D图像和视频转换为3D可以帮助加速空间推理领域的机器学习系统训练，从家庭辅助机器人到增强现实和自动驾驶汽车。然而，自动化这项任务具有挑战性，因为它不仅需要估计物体位置和方向，还需要估计未知的相机属性（如焦距）。一种可扩展的解决这个问题的方法是利用人们对场景的空间理解，通过众包3D对象属性的视觉注解来获取标注。遗憾的是，由于图像分辨率、人体运动精度和人们的3D感知（即人类不像激光测距仪那样“看到”深度），让人们直接可靠地估计3D属性是很困难的。本文提出了一种人机混合方法，将多个场景内物体的众包近似测量联合起来估计单个目标对象的3D状态。我们的方法能够通过结合多个贡献者关于共享空间关系的多个不同物体的异质知识来生成目标对象的准确估计。我们用363名众包工作者评估了我们的联合对象估计方法，结果表明所提出方法可以将目标对象3D位置估计误差减少40%以上，同时只需35%的人力时间。我们的工作引入了一种新方法，使具有不同视角和知识的人们在具有挑战性的视觉标注任务上实现更准确的集体性能。