利用极化信息的监督学习方法以及借助物理特性的自监督学习方法取得重要进展，通过利用极化光的几何信息和引入形状先验知识和可逆物理约束来提高姿态估计的准确性。

Aug, 2023

本研究提出了第一个自监督的多模态 RGB + 偏振图像的 6D 目标姿态预测方法，通过物理模型、师生知识蒸馏和逆可逆的物理约束等方式实现了稳健的几何表征和对偏振光的特征编码。通过自监督训练和物理约束，得到了准确的物体外观和几何信息，特别适用于具有挑战性纹理、反光表面和透明材料的物体。

Dec, 2023

本文中，我们分析了使用 RGB 偏振相机相比 RGB 相机在感知任务中的潜在效果，并探讨了深度神经网络的应用，研究表明，使用 RGB 偏振相机可以在双目深度估计和自由空间检测方面实现可量化的改进，同时，我们还提出了一种新的数据集，为感知算法的发展提供了支持。

May, 2023

使用稠密特征从 RGB 图像中直接回归物体的 6D 姿态是一个困难的任务，但最近的方法通过利用稠密特征在直接回归姿态方面取得了最先进的结果。使用立体视觉可以减少姿态的模糊性和遮挡，并且可以直接推断物体的距离。为了扩展立体的 6D 物体姿态估计到最新技术，我们创建了与 YCB-V 数据集兼容的立体版本。我们的方法利用立体视觉优于最先进的 6D 姿态估计算法，并且可以容易地用于其他基于稠密特征的算法。

Feb, 2024

提出了两个新的光谱极化数据集：三色 Stokes 图像和高光谱 Stokes 图像。这些数据集包含线性和圆偏振；引入了多个光谱通道；并且具有广泛选择的真实世界场景。通过这些数据集，分析了光谱极化图像的统计特性，发展了高维数据的有效表示方式，并评估了形态 - 来自 - 极化方法的光谱依赖性。该数据集为数据驱动的光谱极化成像和视觉研究奠定了基础。数据集和代码将公开提供。

Nov, 2023

偏振成像在计算机视觉和场景理解任务中可以提供丰富的线索，如物料类型、姿态和物体形状。本文回顾了涉及偏振成像的应用的最新进展，并介绍了一个完整的软件工具包，用于与市场上大多数现有微网偏振相机进行通信和处理信息。

Dec, 2023

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

本论文提出了一种单阶段的分层端对端可训练网络，可以更好地解决大规模空间场景中的 6D 姿态估计问题，相比现有方法在合成的太空图像和标准数据集上表现更优秀。关键词包括 6D 姿态估计、空间、大气散射、基准数据集和端对端可训练网络

Apr, 2021

本文提出了一种新的方法，使用注意力机制有效地考虑 RGB 和深度之间的相关性，探索了用于确保 RGB 和深度之间有效信息流的内部和交叉相关模块的有效融合策略。实验结果表明，该方法在对象姿态估计方面的表现优于现有方法，并证明了该方法可以为真实世界的机器人抓取任务提供准确的物体姿态估计。

Sep, 2019

本文介绍了一个用于增强现有的 3D 感知和 6D 物体姿态数据集的新注解和获取方法，通过机器人前向运动学、外部红外跟踪器和改进的校准和注解过程，提出了一个多模态传感器装置，据此创建了高精度的 3D 数据，有效克服了现有数据集的限制，并为 3D 视觉研究提供了宝贵的资源。

Aug, 2023