本文提出了一种新颖的领域适应方法，用于多人姿态估计，以进行人类级别的拓扑结构对齐和细粒度特征对齐。通过三个模块实现：交叉注意力特征对齐（CAFA），域内结构自适应（ISA）和域间人 - 拓扑对齐（IHTA）模块，证明了该算法优于现有最佳算法。
Aug, 2020
本文提出利用级联关系网络和递归重建网络进行精确的类别级别 6D 姿态估计，并通过稠密对应关系获得实例的 6D 姿态。
Aug, 2021
3DUDA 是一种适应无关 3D 或深度数据的干扰严重的目标领域的方法，通过对物体的不变子组件进行策略性利用，迭代更新本地鲁棒的网格顶点特征并改进姿态估计准确度，以解决领域转移挑战。
Jan, 2024
本文提出了一种基于自编码器、粒子滤波和 LatentNet 的类别水平 6D 目标姿态和形状估计方法，可用于跟踪类别中未见过的物体的 6D 姿态和估计它们的 3D 形状。
Dec, 2021
本文提出了一种基于图像合成模块和基于梯度的拟合过程相结合的方法，能够通过显式地表示个别物体实例的需求，来隐式地表示整个物体类别的外观、形状和姿态，从而无需每个物体实例都有一个显式的 CAD 模型。该方法包括图像合成台阶、对应误差度量的拟合台阶和对输入参数的反向传播优化台阶，且实验证明该方法可以仅通过 2D 图像就能准确地恢复物体的方向和全姿态。
本文提出了一个主要解决物体类别感知问题的非凸优化模型，其中包括针对模型内部变异性的解决方案，将图形学和优化算法相结合，以提高汽车姿态估计等领域的精度和鲁棒性。
Apr, 2021
我们引入了一种扩散驱动的自监督网络，用于多目标形状重建和分类姿态估计，并且仅利用形状先验信息，通过点卷积层和图卷积层来捕捉姿态特征和形状信息，通过预训练和精炼的自监督训练范式训练我们的网络。实验证明，我们的方法明显优于最先进的自监督分类级别基准，并且甚至超过一些全监督实例级别和分类级别方法。
Mar, 2024
类别级别姿态估计是一项具有挑战性的任务，近期深度学习方法取得了很大进展，但常常受到需要大量数据集或精心调整的逼真模拟器的限制。为了解决这个冲突，我们提出利用从预训练基础模型中获取的几何和语义特征，通过将 2D 特征从基础模型投影到三维空间来对单个类别的物体模型进行匹配，并在训练好的匹配网络上处理对未见物体实例的新的单视图观测，这比先前方法需要的数据量显著减少。我们通过丰富的评估结果表明了这一点，并展示了比先前方法更好的性能。
Nov, 2023
本研究提出了一种基于深度学习的方法，通过创建有关先前学习类别形状先验信息的 3D 对象模型并推断出深度观测和 3D 模型之间的密集对应关系，使得能够从 RGB-D 图像中恢复未看见的物体实例的 6D 姿态和大小。
Jul, 2020
该研究论文提出了一种基于图像的物体姿态估计方法，利用多模态方法学习的 3D 知识通过对比知识蒸馏框架有效地转移给单模态模型，使其在没有 3D 信息的情况下提升物体姿态估计准确率，实验证明了该方法的有效性。
Jun, 2022