提出了一种名为 MV6D 的多视角 6D 姿态估计方法，该方法使用多个视角的 RGB-D 图像，通过 DenseFusion 层融合每个视角的图像，可以精确预测杂乱场景中所有对象的 6D 姿态.

Aug, 2022

提出了基于关键点的对象级 SLAM 框架，能够为对称和非对称对象提供全局一致的 6DoF 姿态估计。通过利用来自 SLAM 的相机姿态信息，提供对对称对象上跟踪关键点的 先验知识 -- 确保新的测量结果与当前 3D 场景一致。实验表明，该方法在 6DoF 对象姿态估计方面具有竞争性能，并以实时速度运行。

May, 2022

该论文提出了一种称为 CosyPose 的方法，能够从一组待定相机视图的场景中，准确地恢复多个已知对象的 6D 姿态，并且能够处理对象的对称性，不需要深度测量，还能自动还原场景中的物体数量，并解决了通过解决对象级捆绑调整问题实现对全局场景的细化。

Aug, 2020

本文提出了 DenseFusion 框架，使用异构网络结构从 RGB-D 图像中估计已知物体的 6D 位姿，并通过端对端迭代位姿细化进一步提高了姿态估计的精度和实时性。实验结果表明，我们的方法在 YCB-Video 和 LineMOD 数据集上优于现有方法，并在实际机器人应用中实现了对物体的抓取和操作。

Jan, 2019

本文探讨了一种新的开放式少样本目标 6D 姿态估计问题，并提出了一种密集的 RGBD 原型匹配框架，加上深度外观和几何相关性的先验，以及一种在线纹理融合方法，为解决这个问题建立了基准。

Mar, 2022

本文研究了对象的对称性与其在图像中的出现之间的联系，并提出了一种基于姿态旋转归一化的简单有效的解决方案，并在 T-Less 数据集上验证了该方法。

Aug, 2019

本文提出了一种用于从单个 RGB-D 图像估计刚性物体 6D 姿态的计算高效的回归框架，可应用于处理对称物体，并且在特征提取方面使用全卷积神经网络 XYZNet, 直接回归 6D 姿态，并且设计了对称不变的姿态距离度量，称为平均 (最大) 分组基元距离或 A (M) GPD, 在 YCB-Video 和 T-LESS 数据集上进行的大量实验表明，该提出的框架在高准确性和低计算成本方面具有显着优越性。

Apr, 2022

提出了一种基于多视角视野的实时视觉系统，可以从单个 RGB-D 视角提出三维物体姿态建议，并且根据多个视角的姿态估计和非参数占用信息积累这些姿态估计，从而对接触的多个已知对象进行一致的、不相交的姿态估计。应用于实时机器人应用程序中，只使用机载 RGB-D 视觉，机械臂可以精确而有序地拆卸复杂的物体堆放，展示了其准确性和鲁棒性。

Apr, 2020

本文介绍了一种基于深度卷积神经网络的方法，能够通过对特定对象类的分类和姿态回归，从单个或多视图中准确地推断大量对象类的六自由度姿态，并通过 SE（3）的均匀镶嵌提高了鲁棒性。作者还提出了一种适用于单视角存在歧义的高效多视图框架，并在 YCB-Video、JHUScene-50 和 ObjectNet-3D 三个大规模基准测试中取得了优异的表现，与目前现有技术相比表现优秀。

Mar, 2018

通过使用编码器 - 解码器网络以及 PnP-RANSAC 算法，估算单张 3D 模型可得的 RGB 输入图像中刚性对象的 6D 位姿，对具有全局或部分对称性的挑战性物体采用紧凑表面片段进行表示。

Apr, 2020