该研究提出了一种使用 3D 渲染的数据增强方法，以产生更接近于实际世界情境的图像失真。这种数据增强方法可用于训练和评估图像对齐和伪影去除等多种任务，并且可应用于任何现有的数据集以改进任何现有方法的特征学习能力。

May, 2023

我们介绍了一个大规模立体 RGB 图像物体姿态估计数据集 StereOBJ-1M，为了解决透明、半透明、反射等复杂场景下的姿态估计问题，并通过一种新颖的多视图注释方法有效地收集了足够规模的数据。该数据集包含超过 393K 帧、超过 1.5M 注释的 18 个物体的全标注 6D 姿态，并在 11 个不同环境中记录的 182 个场景中展示。我们将两种最先进的姿态估计框架作为基线，提出了一种新颖的基于关键点预测的物体级姿态优化方法。

Sep, 2021

本文介绍了一个新的数据集和基准测试标准，主要针对从 3D 模型（有纹理和无纹理）训练，可扩展性，遮挡，光照和物体外观的变化等方面测试 6D 姿态估计算法的性能，并使用最先进的 DPOD 检测器来设置基线。

Apr, 2019

本文提出 SDTracker，一种利用合成数据进行多目标跟踪的方法，实现领域泛化和半监督学习。通过对图像进行风格随机化，使用 ImageNet 数据集获得合成数据，通过对不同 “风格” 图像进行金字塔一致性损失的强制执行来学习领域不变特征；运用伪标记方法，使用 PPO2 算法搜索每个序列的置信度阈值，以获得高质量的伪标记，进而在 MOT17 训练集上实现多目标跟踪并获得 61.4 的 HOTA 值

Mar, 2023

提出一种新颖的对象检测和 6 自由度姿态估计一次性方法，无需对目标对象进行训练，通过 2D-3D 对应估计物体姿态

Mar, 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

本研究提出了一种新数据集，叫做 Falling Things (FAT)，用于在机器人技术的物体检测和三维姿态估计领域推进技术的发展。该数据集由物体模型和复杂组合的背景图像合成的，生成具有准确 3D 姿态注释的逼真图像。数据集包含 21 种家庭物品的 60,000 张标记照片，并提供了所有对象的 3D 姿态、每像素类别分割和 2D / 3D 边界框坐标以便于不同输入模态的测试，如 RGB 和深度。

Apr, 2018

该研究介绍了一种使用虚拟实验数据集进行动物姿势估计的方法 ——SyDog，并表明这种方法较真实数据更有效。

Jul, 2021

本研究旨在解决 3D 物体检测与姿态估计的评估问题，通过自动技术生产全注释 RGBD 数据的多个对象，并提出一致的评估方法和数据集，以获得更高的性能表现。

Jun, 2018

该论文提出了一种方法来合成高度逼真的三维物体模型图像，并利用这些图像训练卷积神经网络以在真实图像中检测物体。

Feb, 2019