提出一种学习图像密集对应的新模型，能对几何形状不同的物体进行自动化且简单的密集姿态估计，适用于人类和动物类的各种变形物体。

Nov, 2020

提出一种基于注意力机制的双编码器架构，通过特定设计的损失函数，在两个不同的嵌入空间中同时优化类别嵌入和对象级别嵌入，用于姿态不变的物体识别和检索。在三个具有挑战性的多视图数据集上验证了方法的优越性。

Mar, 2024

我们提出了一种教导机器以自监督方式理解并建模多种 3D 人物 - 物体相互作用的基础空间常识的方法。我们利用生成模型生成高质量的 2D 图像，并展示了这些合成图像足以学习 3D 人物 - 物体之间的空间关系。

Aug, 2023

本文提出了一种名为 DensePose 3D 的方法，通过弱监督机器学习从二维图像注释中实现基于单目视觉的带关节物体（例如人和动物）的三维重建，同时通过利用 Laplace-Beltrami 算子的平滑特征函数将物体分解成部分，再预测它们的运动以在 2D DensePose-like 表面注释中正确地重影，与基于非刚性结构运动的最新基线方法相比，在合成和真实数据上对人和动物进行了显著改进。

Aug, 2021

本文提出利用跨实例视觉一致性作为监督信息，通过建立一个包含 4 个环（4-cycle）的人工数据集提高深度学习在实现物体实例间的稠密视觉对应中的表现，并在测试阶段显示出优于先前相关任务的最新成果。

Apr, 2016

本研究提出了一种基于深度学习的方法，通过创建有关先前学习类别形状先验信息的 3D 对象模型并推断出深度观测和 3D 模型之间的密集对应关系，使得能够从 RGB-D 图像中恢复未看见的物体实例的 6D 姿态和大小。

Jul, 2020

使用视频自监督和模板形变技术来实现单目 3D 重建并且进行数值优化，以便使计算得出的模型更加准确和具有解释性。

Mar, 2021

本文探讨了深度学习方法在物体识别和姿态估计方面的应用，发现卷积神经网络（CNN）可以同时进行物体分类和姿态估计，并在两个大型多视点数据集上实现了优于最先进方法的表现。

Nov, 2015

本文提出了一种通用的分类器，可以在只有一个标注实例的情况下可靠地诱导出未注释的对象类别的姿态；如果有大量新实例的情况下，我们的方法可以同时对所有实例进行推理，从而改进初始估计，并在各种类别上展示算法的实证验证结果和形状模型的应用性。

May, 2015

类别级别姿态估计是一项具有挑战性的任务，近期深度学习方法取得了很大进展，但常常受到需要大量数据集或精心调整的逼真模拟器的限制。为了解决这个冲突，我们提出利用从预训练基础模型中获取的几何和语义特征，通过将 2D 特征从基础模型投影到三维空间来对单个类别的物体模型进行匹配，并在训练好的匹配网络上处理对未见物体实例的新的单视图观测，这比先前方法需要的数据量显著减少。我们通过丰富的评估结果表明了这一点，并展示了比先前方法更好的性能。

Nov, 2023