我们引入了一种扩散驱动的自监督网络，用于多目标形状重建和分类姿态估计，并且仅利用形状先验信息，通过点卷积层和图卷积层来捕捉姿态特征和形状信息，通过预训练和精炼的自监督训练范式训练我们的网络。实验证明，我们的方法明显优于最先进的自监督分类级别基准，并且甚至超过一些全监督实例级别和分类级别方法。

Mar, 2024

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

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

本篇论文提出 SyntheticP3D 数据集和 CC3D 方法，结合这两种方法可以实现在只用 10% 的真实数据的情况下，与当前最先进的模型在物体位姿估计方面取得了可与之媲美结果，在采用 50% 的真实数据时还超越了 SOTA 模型 10.4%。

May, 2023

本文提出利用级联关系网络和递归重建网络进行精确的类别级别 6D 姿态估计，并通过稠密对应关系获得实例的 6D 姿态。

Aug, 2021

本文基于 2D 物体注释和 RGB 图像提出了一个双步骤的姿态估计框架，该框架使用 DSC-PoseNet 网络实现了基于差分渲染器的姿态估计，同时还利用自我监督学习生成伪标签进行训练，实验表明该方法在真实数据集上性能优于基于合成数据集的现有模型。

Apr, 2021

无需辅助信息，我们提出了一种使用纯 RGB 图像进行训练的 6D 物体姿态估计方法，通过利用来自多个不同视角的合成至实图像对中的几何约束（以像素级流一致性的形式表示）进行精化策略，从合成图像中获得初始姿态估计，并使用动态生成的伪标签。在三个具有挑战性的数据集上进行评估，结果表明我们的方法明显优于最先进的自监督方法，无需 2D 注释或额外的深度图像。

Aug, 2023

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

本文提出了一种快速形状网络（FS-Net），用于从单眼 RGB-D 图像中实现类别级 6D 姿态和大小的估计，该网络具有高效的类别级特征提取方法和新颖的解耦式旋转机制，该方法在两个基准数据集上实验表明取得了最佳性能。

Mar, 2021