该篇论文提出一种无需直接监督的学习单视角形状和姿态预测的框架，通过利用未知姿态的多视角观察信号进行训练，并在训练中在同一实例的两个视图之间强制实施几何一致性来独立预测形状和姿态，从而学习在新出现的标准框架中预测形状和相应的姿态预测器。在使用 ShapeNet 数据集时，取得了与先前依赖更强监督形式的技术相当的鼓舞人心的竞争成绩。此外，还展示了该框架在现实环境中的适用性，该环境超出了现有技术范畴：使用由在线产品图像组成的训练数据集，在这些数据集内，底层的形状和姿态是未知的。

Jan, 2018

使用未标注视频作为监督信号，可以在没有足够的标注数据时提供额外的监督以优化网络权重，并与使用更多标注数据训练的方法相媲美。

Feb, 2024

我们提出了一种完全通用的深度姿态估计方法，通过动态条件姿态估计和目标物体的 3D 模型表示相结合，能够对不属于预定义类别的自然实体进行训练并将其推广到全新类型的 3D 对象。

Jun, 2019

本文提出了一种基于自监督学习的关键点预测方法来进行相机位姿预测及三维目标物体的在线重建的深度学习网络，并在几个数据集上进行了实验，取得了显著的改进。

Feb, 2023

本文提出了一种名为 OnePose 的新方法，可以在没有 CAD 模型的情况下对任意类别的物体进行物体姿态估计，利用视觉定位和图形注意力网络结合进行 2D 和 3D 特征匹配，结合基于特征的姿势跟踪器，可以实现对日常家用物品 6D 姿态的实时稳定检测和跟踪。

May, 2022

本研究提出了一种新的任务，在人体形态和姿势估计中使用多幅图像组成的分布预测模型，使我们能够量化姿势预测的不确定性，并提高了 3D 人体形态估计度量标准。

Mar, 2021

本文介绍如何使用神经网络模型进行多摄像头人体姿势估计，在考虑多角度遮挡及联合位置不确定性情况下，使用 2D 关键点数据进行训练。相比于经典捆绑调整与弱监督单目 3D 基线方法，我们的模型在 Human3.6M 和 Ski-Pose PTZ 数据集上表现更好。

Aug, 2021

本文提出了三种半监督和弱监督学习方案，通过利用卷积神经网络对人体姿态进行估计，实现了对无人类注释的训练图像中候选姿态和真正正面姿态的选择和提高。方案基于姿态聚类和离群姿态检测，可以选择更多的真正姿态，并在大规模人体姿态数据集上得到了验证。

Jun, 2019

利用 FoundPose 方法可以从单个 RGB 图像中准确估计看不见的刚性物体的 6D 姿态，方法基于 DINOv2 模型实现泛化能力强，通过 DINOv2 基于词袋模型快速检索相似模板，从而建立 2D-3D 对应，最后通过特征度量优化姿态。该方法可以应对各种物体，包括具有对称性和无纹理的复杂物体，在标准 BOP 基准测试中在粗略姿态估计的准确性和速度方面明显优于现有的 RGB 方法，而在特征度量和额外的 MegaPose 优化的情况下，该方法胜过所有的 RGB 竞争者。

Nov, 2023

该研究使用卷积神经网络训练能够从单个图像预测出物体的 3D 形状和相机姿态的模型，并通过一组 pose 预测器进行姿势模糊处理，并利用可微分 3D 点云投影技术来获取高保真度的形状模型。

Oct, 2018