使用 Wild6D 数据集，采用半监督学习，通过自由的渲染方法与真实数据的轮廓匹配目标函数得到的 Rendering for Pose estimation network RePoNet 模型，在无需真实数据 3D 标注的情况下，能更好地解决类别级别的 6D 对象位姿估计问题。

Jun, 2022

该研究提出了一个基于自监督学习框架和 SE (3) 等变点云网络的类别级别物体位姿估计方法，可在没有真值姿态注释、CAD 模型和多视图监督的情况下，从单独的 3D 点云中进行类别级别的六自由度物体位姿估计， 并在多个基准测试上验证了该方法的有效性。

Oct, 2021

本文提出了一种新型的基于 3D 图卷积的流水线，用于从单目 RGB-D 图像中的分类级别 6D 姿态和尺寸估计。提出的方法利用了高效的 3D 数据增强和新型的基于向量的分解旋转表示。实验结果表明，该流水线在分类级别任务上具有最先进的性能。同时，实验证明，所提出的旋转表示比其他旋转表示更适合姿态估计任务。

Dec, 2022

本文提出了一种名为 OLD-Net 的新颖方法，该方法利用 RGB 图像推断出物体水平六维姿态。在这个方法中，我们利用两个新的模块 NGPH 和 SDDR 来学习高保真度的物体水平深度和精美的形状表示，最后通过将预测的规范化表示与反向投影的物体水平深度对齐来解决 6D 物体姿态问题，在挑战性的 CAMERA25 和 REAL275 数据集上进行了广泛实验，结果表明，我们的模型尽管简单，但实现了最先进的性能。

Apr, 2022

本文提出了一种新颖的流程，通过解耦 6D 姿态和尺寸估计，减轻了单目观察带来的尺度不精确对刚性变换的影响，并借助预训练的单目估计器获取局部几何信息，以便搜寻二维 - 三维对应关系，并利用基于类别级统计的独立分支直接恢复物体的度量尺度，最后倡导使用 RANSAC-P$n$P 算法鲁棒求解 6D 物体姿态。在合成和真实数据集上进行了大量实验证明，相对于先前最先进的基于 RGB 的方法，我们的方法在旋转准确性方面表现出更高的性能。

Sep, 2023

本研究提出了一种新颖的基于元学习的方法，用于对未知对象进行六自由度姿态估计，并通过条件神经过程元学习训练将纹理和几何特征编码到隐向量空间，用于在新图像中预测对象的六自由度姿态，实验证明该算法在不同形状和外观的未见对象上具有强大的泛化能力。

Jun, 2022

以 Single View Image 作为输入，本文提出一种基于 Dual Pose Network 的新方法来预测 6D 对象姿态（旋转、平移和大小），DualPoseNet 利用两个平行的姿态解码器在共享姿态编码器的基础上，对对象构成补充监督，加强对姿态的学习，同时在没有测试 CAD 模型的情况下使用隐式解码器进行精细化的姿态预测，得到了比现有方法更好的效果。

Mar, 2021

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

本文提出了一种可扩展，高效和准确的方法，用于检索野外对象的 3D 模型，包括了 3D 姿态估计，使用姿态先验来检索 3D 模型，使用基于 CNN 的多视图度量学习方法从 RGB 图像中检索图像描述符与采用的渲染深度图像匹配的深度图像得出精准的 3D 模型，报告了 Pascal3D + 上 3D 模型的定量结果。

Mar, 2018

该研究提出了一种基于关键点的方法，通过一个 RGB 图像作为输入，对已知类别内的未知目标实例进行目录级别的物体位姿估计，采用单阶段神经网络，并在 Objectron 基准测试中表现出比现有方法更好的性能

Sep, 2021