EPOS：对具有对称性的物体估计 6D 姿态
提出适用于单个 RGB-D 输入图像的刚体物体 6D 姿态估计基准，并通过姿态误差函数对姿态歧义进行处理，在 15 种不同方法的全面评估中发现，基于点对特征的方法目前表现最佳。
Aug, 2018
本文研究了对象的对称性与其在图像中的出现之间的联系，并提出了一种基于姿态旋转归一化的简单有效的解决方案，并在 T-Less 数据集上验证了该方法。
Aug, 2019
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
提出了一种基于自编码器、Pix2Pose 的 6D 姿态估计方法，可以精确地检测对称目标并处理部分遮挡的问题，无需依赖专家知识或特殊扫描设备进行 3D 建模，且在三个基准数据集上表现优于现有方法。
Aug, 2019
本文提出了一种用于从单个 RGB-D 图像估计刚性物体 6D 姿态的计算高效的回归框架，可应用于处理对称物体，并且在特征提取方面使用全卷积神经网络 XYZNet, 直接回归 6D 姿态，并且设计了对称不变的姿态距离度量，称为平均 (最大) 分组基元距离或 A (M) GPD, 在 YCB-Video 和 T-LESS 数据集上进行的大量实验表明，该提出的框架在高准确性和低计算成本方面具有显着优越性。
Apr, 2022
本文介绍了一种能够从 RGB 图像中检测三维物体和估计六自由度姿态的新型深度学习方法，称为 DPOD。该方法估计输入图像和可用的三维模型之间的密集多类二维三维对应关系图，通过 PnP 和 RANSAC 计算六自由度姿态，并使用基于深度学习的自定义方案对初始姿态估计进行了 RGB 姿态优化。与其他主要使用真实数据进行训练且不对合成渲染进行训练的方法不同，我们对合成数据和真实训练数据进行评估，显示出在所有最近的检测器中，此方法无论先前和后面都能够获得优异的结果。虽然具有精度，但本方法仍然具有实时性能。
Feb, 2019
提出了一种基于几何知识的端到端可微建构的方法，通过 BD-PnP 优化问题迭代地细化姿态估计和对应关系，并动态地删除离群值以提高准确性，从而在标准的 6D 物体姿态基准测试上实现了最新的准确性。
Apr, 2022
利用单个 RGB-D 图像，我们引入了一种新颖的方法来计算物体的 6DoF 姿态。通过密集对应，我们回归每个可见像素的物体坐标，从而有效降低输出空间并取得出色的性能，在 6D 姿态估计中胜过大多数先前的方法，特别是在遮挡场景中具有显著改进的优势。
May, 2024
本文提出一种方法，通过单个 RGB 图像估计刚性物体的六自由度姿态，其中通过 3D 模型在摄像机视锥中采样三维查询点预测三维物体坐标，并借助全连接神经网络来实现神经对应场，最终使用 Kabsch-RANSAC 算法实现姿态估计，该方法在三个 BOP 数据集中都取得了最优结果。
Jul, 2022