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

本文提出了一种名为神经物体学习（NOL）的方法，通过从凌乱图像中结合少数观察来创建任意姿态下的对象的合成图像，并提出了一种新的细化步骤来对齐源图像中不准确的对象姿态，从而得到更好的图像。在两个公共数据集上进行的评估表明，由 NOL 生成的渲染图像相比使用 13 倍真实图像数量的方法实现了最先进的性能，而对我们的新数据集进行的评估显示可以使用固定场景的序列同时训练和识别多个对象。

May, 2020

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

本研究旨在通过人体姿态空间的采样和真实图像纹理的提取，建立一个全自动，可扩展的方法来合成姿态注释的图像，从而为 3D 姿态估计任务提供合成培训数据，最终证明 CNNs 在合成图像上训练可以在 3D 姿态估计任务上胜过在真实照片上训练。

Apr, 2016

本文提出了一种基于端到端学习策略的方法，利用行人重新识别作为感知度量，生成单张人体图像的纹理贴图，实验结果表明，我们的模型可以从单张图像中生成纹理贴图，并证明我们的纹理比其他可用方法生成的质量更高，我们还将应用范围扩展到其他类别，并探索了我们生成的纹理的可能利用途径。

Apr, 2019

这篇论文介绍了一个机器人系统，可以通过自主学习的方式进行物体位姿估计，并通过环境中的物体抓取或推动的交互方式持续收集数据并完善其位姿估计模块，从而提高对象分割和 6D 姿态估计的性能。

Sep, 2019

该论文研究了基于模型的人体姿态估计问题，提出了一种自然监督方式，并通过引入纹理一致性损失来提高估计精度。

Oct, 2019

本文提出了一种基于合成图像或少量真实图像训练的 6D 物体位姿估计方法，使用第一网络获得粗略姿态估计后，使用第二网络预测精细的二维对应场，并推断所需的姿态纠正，该方法在显著减少合成图像与真实图像领域差异的情况下具有与需要标注真实图像训练的方法相当的性能，而在使用 20 张真实图像时，它的性能明显优于它们。

Mar, 2022

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