基于条件神经过程的类别无关 6D 位姿估计
该论文介绍了一种通过使用几何特征来估计点云的位姿而无需分类信息的方法，该方法可以成功地在 CAMERA25 数据集和 ModelNet40 数据集上实现无分类信息实例的位姿标注。
Mar, 2024
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
本文提出了一种基于图像合成模块和基于梯度的拟合过程相结合的方法，能够通过显式地表示个别物体实例的需求，来隐式地表示整个物体类别的外观、形状和姿态，从而无需每个物体实例都有一个显式的 CAD 模型。该方法包括图像合成台阶、对应误差度量的拟合台阶和对输入参数的反向传播优化台阶，且实验证明该方法可以仅通过 2D 图像就能准确地恢复物体的方向和全姿态。
Aug, 2020
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 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
本文提出了一种基于条件生成建模的目标姿态估计方法，该模型采用基于得分的扩散模型来估计对象姿态，借助二步过程（似然度估计和均值池化）从扩散模型中抽样候选项并综合其结果，约束了不确定性。该方法在 REAL275 数据集上实现了最先进的性能，且不需要微调即可适应具有相似对称性质的新类别，且能够产生与当前最先进的基线相当的结果。
Jun, 2023
本文提出了一种基于自编码器、粒子滤波和 LatentNet 的类别水平 6D 目标姿态和形状估计方法，可用于跟踪类别中未见过的物体的 6D 姿态和估计它们的 3D 形状。
Dec, 2021
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