使用 6-PACK 这种基于深度学习的方法，我们可以针对已知对象类别如碗、笔记本电脑和马克杯，在 RGB-D 数据上实时跟踪新物体实例的类别级 6D 目标位姿。通过无需手动监督的方式学习关键点的方法，可以压缩表示物体，并在其基础上进行跟踪，同时它也可以支持机器人执行简单的基于视觉的闭环操作任务。

Oct, 2019

本研究提出了一种近实时的方法，可以从单目 RGBD 视频序列中对未知物体进行 6 自由度跟踪，并同时进行神经 3D 重建。该方法适用于任意刚体对象，即使视觉纹理基本不存在。该方法的关键在于同时学习神经对象场和姿态图优化过程，以稳健地累积信息以捕捉物体的几何和外观，而不需要其他信息和假设。本方法可以处理具有大的位姿变化，部分遮挡，无纹理表面和高光反射等挑战性序列，而且通过在 HO3D，YCBInEOAT 和 BEHAVE 数据集上的测试，证明本研究方法显著优于现有方法。

Mar, 2023

本文提出一种新的方法，在视觉目标追踪方面通过 3D 形态和位姿表达，结合可微分渲染技术优化一个新型的损失函数，取得了在三个数据集上追踪刚性物体方面的最新进展。

Apr, 2023

该论文提出了一个统一的框架来处理品类、实例以及部位的姿态追踪问题，其中 9DoF 姿态表示通过 3D 错套边框实现。通过三个模块的组合提高 9DoF 姿态的精度达到了最优，成为了该领域的新的最优实践方法。

Apr, 2021

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

FoundationPose 是一个统一的基础模型，用于 6D 物体姿态估计和跟踪，通过神经内隐表示实现了对新视角的有效产生，并通过大规模合成训练、转换器结构和对比性学习公式实现了较强的广义性和优越的性能。

Dec, 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

本论文提出了一种名为 TbD-3D 的方法，可以同时跟踪快速运动的非均匀球形物体的 3D 运动轨迹、3D 姿态和物体外观变化，并提出了一组新的具有挑战性的数据集，用于验证该方法。

Nov, 2019

本篇研究提出使用深度神经网络和可靠的平面追踪技术结合，实时追踪物体的姿态，而无需传感器的预先校准或初始化，实现在移动设备上执行相对尺度 9 自由度跟踪。

Jun, 2020