本文提出了一种利用点云深度信息并结合卷积神经网络和几何姿态优化，分别使用旋转和平移回归网络的方法来估算已知 3D 物体的 6 自由度姿态，其中通过旋转轴角表示旋转并使用测地线损失函数进行回归，实验结果在 YCB-video 数据集上明显优于现有方法。

Jan, 2020

在可变形物体操作中，我们常常需要与仅在非变形模型中定义的物体特定部分进行交互。因此，我们需要一个能够识别和定位这些物体特定部分的系统，并使用变形物体注册来实现。最新的方法利用神经占据函数通过与物体重建进行注册来改进变形物体注册。进一步地，我们提出了一个除了重建之外还可以学习分割重建物体的系统。由于生成的输出已经包含了关于物体特定部分的信息，我们可以跳过注册过程。通过在模拟和真实世界中的各种可变形物体上的测试，我们演示了我们的方法学习到了鲁棒地找到这些物体特定部分。我们还引入了一个简单的采样算法来生成更好的训练数据用于占据学习。

Nov, 2023

本文提出一种基于分割的 6D 姿态估计框架，使用关键点检测获取局部姿态预测，并根据置信度预测将这些姿态候选融合成可靠的 3D-to-2D 对应关系，从而在多个低纹理物体相互遮挡的情况下获得最优姿态估计，其采用简单且高效的架构实现实时性能。

Dec, 2018

本文提出了一种面对各种几何变换，特别是旋转的局部到全局表示学习算法，该算法利用基于图卷积神经网络的多级抽象构建描述符层次结构，以自底向上的方式对输入对象的旋转不变形状信息进行编码，并通过对三维点的随机采样有效地使学习到的表示对输入数据的变化具有鲁棒性。该算法在旋转增强的三维物体识别和分割基准测试上表现出最先进的性能。

Oct, 2020

本文提出了一种新的低层纯旋转不变表示，以替代常见的 3D 笛卡尔坐标作为神经网络的输入，并介绍了一种网络结构来将这些表示嵌入为特征，编码点与邻居之间以及全局形状结构之间的局部关系，并通过区域关系卷积来编码局部和非局部信息以缓解因旋转不变表示引起的全局信息丢失。在多个点云分析任务上评估我们的方法，包括形状分类、部件分割和形状检索，实验结果表明与现有技术相比，我们的方法在任意方向上的输入上实现了一致且最佳的性能。

Mar, 2020

本文提出了一种离散连续的旋转回归公式来解决对称物体旋转不确定性问题，并通过点聚集向量来检测物体位置，并在 LINEMOD 和 YCB-Video 基准测试中得到比现有方法更好的表现。

Feb, 2020

本文提出了一种新型的点云卷积运算符，实现了旋转不变性，通过使用旋转不变的几何特征设计点云学习的卷积运算符，解决了点排序问题，并将其作为神经网络的基本构建块，能在 6 自由度变换下具有稳健性，在物体分类和分割等任务中表现出高精度。

Aug, 2019

提出一种对点云数据具有旋转不变性的点投影特征方法，可以提取严格的点云识别和分割的旋转不变表示，无需数据增强，并且优于其他最先进的方法。

Nov, 2019

本文提出了一个新颖而高效的框架，通过无监督的潜在嵌入聚类与回归和分类组件来优化遮挡和非遮挡图像的潜在特征表示，并改善细粒度角度预测，在野外头部姿势数据集上得到了与最先进方法相当的竞争性能，并具有显著的数据减少优势。我们观察到遮挡头部姿势估计方面有显著改进，并进行了消融实验来验证我们提出的框架中聚类项的影响。

Mar, 2024

本文提出了一种新型的基于 3D 图卷积的流水线，用于从单目 RGB-D 图像中的分类级别 6D 姿态和尺寸估计。提出的方法利用了高效的 3D 数据增强和新型的基于向量的分解旋转表示。实验结果表明，该流水线在分类级别任务上具有最先进的性能。同时，实验证明，所提出的旋转表示比其他旋转表示更适合姿态估计任务。

Dec, 2022