基于多个特征点的随机几何建模框架用于刚体物体位姿估计，并提供一种避免解决单个特征对应和在多视角应用中引入正确随机依赖性的方法。通过数值实验验证了该模型的有效性和对不同观测系统的适用性，包括测量分辨率、物体变形和测量噪声的影响。可以得出结论，基于混合模型的概率建模可以实现准确和鲁棒的位姿估计。

Nov, 2023

本文提出了一个可证明误差界限的姿态估计器，基于两阶段目标姿态估计范例，并注入了两个基本变化，即确定性关键点检测和几何不确定性传播。进行实验展示，PURSE 覆盖了真实姿态和最坏情况下的误差边界提供了正确的不确定性量化

Mar, 2023

本文介绍了一种基于深度学习的 6D 姿态估计架构，能够直接从对应点回归 6D 姿态，并提出了单阶段 6D 姿态估计框架，能够在准确性和速度方面显著优于现有的双阶段框架。

Nov, 2019

本文提出一种基于分割的 6D 姿态估计框架，使用关键点检测获取局部姿态预测，并根据置信度预测将这些姿态候选融合成可靠的 3D-to-2D 对应关系，从而在多个低纹理物体相互遮挡的情况下获得最优姿态估计，其采用简单且高效的架构实现实时性能。

Dec, 2018

利用物体分类内部几何规律的数据驱动姿态估计方法。首先，从 2D RGB 图像学习物体部分的姿态不变局部描述符。将这些描述符与来自固定３D 模板的关键点结合使用，生成给定单眼实际图像的关键点对应图。最后，使用这些关键点对应图，预测物体的３D 姿态。该方法在多个真实环境的视角估计数据集，如 Pascal3D + 与 ObjectNet3D 上的表现达到最佳水平，并且我们公开了所使用方法的代码以鼓励再生研究。

Sep, 2018

本研究全面调查了使用单眼视觉的联合物体检测和姿态估计方法的景象，包括描述符或模型以及各种估计方法和对相关数据集的特征研究，比较了基于纯深度学习的单步和多步方法和各种准确度度量。

Nov, 2018

本文提出一种基于卷积神经网络的 2 阶段模型，采用投影分组和对应关系学习方法预测物体位姿，优于现有的其他方法。

Apr, 2019

本文讨论了两阶段管道相对于单阶段设计的优势，提出了一种名为 DR-Pose 的两阶段变形和配准管道，包括辅助完成阶段和缩放配准阶段，通过点云完成方法生成目标对象的未见部分并引导形状先验的后续形变，并设计了一种新颖的配准网络来提取姿态敏感特征，并根据第一阶段的形变结果预测规范空间中对象部分点云的表示方法。 DR-Pose 在 CAMERA25 和 REAL275 基准测试上优于最先进的基于形状先验的方法。

Sep, 2023

本文提出了一种基于 three-view 系统的 PoseMatcher 模型来进行精确的无模型一次性物体位姿估计，同时引入了 IO-Layer 进行有效信息的交叉注意力，还设计了对象点云下的基于数字图像处理的目标选取和定位算法。实验结果证明该方法在 Linemod 和 YCB-V 数据集上表现优异。

Apr, 2023

本文介绍了一种多人 3D 姿态估计的快速、鲁棒方法，使用多方式匹配算法来解决在噪声和不完整的 2D 姿态预测中查找跨视角对应关系的主要挑战，并结合几何和外观提示进行跨视角匹配。

Jan, 2019