该论文介绍了一种新的 RGBD 跟踪数据集 - Depth-Track，其中有 200 个序列，40 种场景类型和 90 个对象，并建立了一个新的 RGBD 跟踪基准 DeT，揭示了真正的训练数据对深度 RGBD 跟踪的益处。

Aug, 2021

该研究提出了一种新的长期 RGB-D 跟踪器 - 通过重构物体实现的目标跟踪 (OTR)，通过进行在线 3D 目标重建，完成强健学习一组视图特定的相关性筛选器 (DCFs) 以实现跟踪目标，经过对 Princeton RGB-D 跟踪和 STC 基准测试的广泛评估，发现 OTR 在大幅度优于现有技术水平。

Nov, 2018

利用深度学习，我们提出了一种基于时间的 6 自由度跟踪方法，可在具有挑战性的真实世界数据集中实现最先进的性能，具有比现有最佳方法更准确、更鲁棒的抗遮挡性能，同时保持实时性能。在评估其效力时，我们在几个具有挑战性的 RGBD 序列上进行了评估，并通过一系列对象逐渐被遮挡的序列系统地评估了对遮挡的鲁棒性。最后，我们的方法完全是数据驱动的，不需要任何手动设计的特征：鲁棒跟踪是自动从数据中学习的。

Mar, 2017

本研究提出了一种基于判别相关滤波器框架的新型跟踪器，通过引入历史视图并运行实时速度来拓展记忆，通过快速压缩上下文学习来提高滤波器的鉴别能力，并在 UAVDT 和 UAV123 数据集上验证了该跟踪器的竞争性能。

Sep, 2019

本文提出了一种基于深度神经网络的多摄像头的实时人物追踪方法，该方法通过地点网络、快速精确的在线跟踪器等多个模块实现了实时性高、追踪效果优秀的实时多摄像头 3D 人物追踪。

Mar, 2020

本文提出了一个名为 TSDM 的 RGB-D 跟踪器，该跟踪器通过使用深度信息提高了目标检测的效果，并在 Princeton Tracking Benchmark 和 Visual Object Tracking Challenge 测试中表现出更好的性能。

May, 2020

本研究关注的是 RGB-D 物体跟踪，并通过发布新的 RGBD1K 数据集和利用此数据集中的 transformer-based RGB-D 跟踪器 (SPT) 作为我们的基线来展示其训练的益处和可潜力以提高 RGB-D 跟踪的性能。

Aug, 2022

通过引入卷积算子、压缩模型、限制更新策略等，本文提出了一种性能更优，速度更快的基于判别相关滤波的视觉跟踪方法。通过基准测试，证明该方法比当前优秀算法具有更好的性能表现，并且可以在单个 CPU 上进行实时跟踪。

Nov, 2016

通过引入 3D 信息和 Depth-Aware Discrete Autoencoder (DADA) 架构，以及提出的新型表面异常检测方法 3DSR，本研究在 MVTec3D 异常检测基准上取得了准确性和处理速度方面的优势，验证了利用深度信息提升表面异常检测的潜力。

Nov, 2023

该论文提出了一种新的方法来在彩色和深度数据中跟踪 3D 模型，通过加速区域跟踪的近似来保持相似精度，更好地处理深度数据并提出了新的联合轮廓和 ICP 跟踪能量，最终在单个 CPU core 上取得比现有技术更好的结果且速度更快。

Nov, 2019