该研究提出了一种基于数据驱动的优化方法，用于长期跟踪 6D 姿态，通过使用新颖的神经网络架构和有效的 Lie 代数 3D 方向表示法，可以同时减少域偏移，实现在虚拟数据集和真实图像上的更好表现。

Jul, 2020

本篇论文提出 SyntheticP3D 数据集和 CC3D 方法，结合这两种方法可以实现在只用 10% 的真实数据的情况下，与当前最先进的模型在物体位姿估计方面取得了可与之媲美结果，在采用 50% 的真实数据时还超越了 SOTA 模型 10.4%。

May, 2023

通过使用合成数据，我们提出了一种用于单个 RGB 图像的已知物体 6-DoF 姿态估计的深度神经网络训练方法，成功地跨越了所谓的现实间隙，并通过机器人进行了实时物体姿态估计，取得了与基于真实数据的深度神经网络相当的表现。

Sep, 2018

本研究提出了一种基于深度神经网络的视觉损失函数，通过对凸形物体外轮廓的对齐来驱动位姿更新进行模型为 6D 姿态精修的处理，方法无需确定外观模型、免除了手动图像分割、同时能够处理遮挡问题和几何不对称性与视觉模糊问题，并且能够在没有深度数据的情况下准确地估算物体位姿。

Oct, 2018

本文提出了一种基于合成图像或少量真实图像训练的 6D 物体位姿估计方法，使用第一网络获得粗略姿态估计后，使用第二网络预测精细的二维对应场，并推断所需的姿态纠正，该方法在显著减少合成图像与真实图像领域差异的情况下具有与需要标注真实图像训练的方法相当的性能，而在使用 20 张真实图像时，它的性能明显优于它们。

Mar, 2022

使用无监督学习的方法进行单眼 RGB 数据下的 6D 物体位姿估计，作者训练了一个神经网络模型，通过真实 RGB-D 数据的自监督模式来提高模型的性能表现，并证明了该方法能够显著地优化模型的性能，超过了其他使用合成数据或领域适应技术的方法。

Apr, 2020

通过提取运动信息（光流和二维关键点），我们展示了神经网络方法可以在仅使用 SURREAL 合成数据的情况下与最先进的基于真实 3D 序列训练的方法相媲美地从 3D 视角估计人体姿态。

Jul, 2019

我们提出了一种新颖的方法，在单个快拍中从 RGB 数据中检测 3D 模型实例并估计其 6D 姿势。为此，我们扩展了流行的 SSD 范例，以涵盖完整的 6D 姿态空间，并仅在合成模型数据上进行训练。我们的方法在多个具有挑战性的数据集上竞争或超越了目前领先的 RGB-D 数据利用方法。此外，我们的方法在大约 10Hz 左右产生这些结果，速度比相关方法快多了。为了可重现性，我们公开可用我们的训练网络和检测代码。

Nov, 2017

该研究提出了一种基于卷积神经网络（CNN）的后验概率密度的学习比较方法，可以更准确地进行物体的 6D 位姿估计。经过实验证明，相比于现有技术，在不同场景下且包括不同形状和外观的 11 个物体的多个数据集中，具有显著的性能提升。

Aug, 2015

该研究提出了一种基于合成图像的深度网络训练方法，通过使用基于 “范例” 的映射，将合成图像的特征空间映射到实际图像的特征空间中，以此用于 3D 姿态估计的预测。通过实验，该方法在 LINEMOD 数据集中实现了优于现有方法的性能表现。

Dec, 2017