本文提出了一种基于 CAD 模型的方法，结合现有的大规模三维模型数据集，构建了一种可以检测现实世界图像中物体的 CAD 模型表示方法，并且证明了与现有技术相比，该方法在真实世界图像中有着优势。

Jul, 2020

利用新颖实例检测和分割 (NIDS) 的统一框架 (NIDS-Net)，包括物体提案生成、实例模板和提案区域的嵌入创建，以及实例标签分配的嵌入匹配，通过前沿特征平均和权重适配器机制生成高质量实例嵌入，取得显著性能提升。

May, 2024

我们提出了一种新颖的方法将现有的闭集检测器转化为开集检测器，并通过将 CLIP、SAM 和 GDINO 等模型进行协同来建立新的目标检测性能基准，实现对新颖对象和已知对象的准确检测。

Nov, 2023

我们提出了一种自动化和高效的方法，用于检索通过移动 RGB-D 相机捕获的场景中物体的高质量 CAD 模型及其姿势，并使用渲染对比和蒙特卡洛树搜索算法实现了物体检索、CAD 模型和姿势估计的快速搜索。

Sep, 2023

本文介绍了一种用于三维目标姿态估计的新方法，将 RGB 图像与 CAD 模型匹配以实现目标姿态估计，通过学习选择关键点并保持视角和模态不变性的目标，消除了对昂贵的三维姿态注释的需求，并通过大量实验证明了该方法能够可靠地估计 RGB 图像中的目标姿态以及推广到训练期间未看到的目标实例。

Nov, 2018

本文介绍了一种半监督视频目标分割方法，它使用了基于一阶段学习的预训练神经网络，结合在线训练和预训练步骤，显著提高了在 DAVIS 数据集上的分割性能。

Jun, 2017

该研究提出了一种结合了深度学习和三维几何的方法，利用未带纹理的 CAD 模型和不需要针对新对象进行训练的方法，检测和估计图像中物体的 3D 姿态，并利用 Mask-RCNN 实现无需重新训练的对象检测，从而限制可能的对应关系数量。实验结果表明，该方法与之前的方法相当或更好。

Oct, 2020

基于 CAD 模型基元从 RGB 图像中感知 3D 结构可以有效地实现基于三维物体的场景表示，本文提出了 DiffCAD，这是一种第一个弱监督的条件生成方法，可以从 RGB 图像中检索和对齐 CAD 模型，通过扩散学习隐式概率模型来捕捉 CAD 对象在图像中的形状、姿态和尺度，实现了多个假设生成和对深度 / 尺度和形状匹配的歧义进行建模。

Nov, 2023

通过分析工业环境中无监督领域适应的管道，本文系统地研究了目标分类。与领域中现有的标准自然目标基准相比，我们的结果突出了当只有分类标记的 CAD 模型可用但需要使用真实世界图像进行分类时的最重要的设计选择。我们的领域适应管道在 VisDA 基准上取得了最先进的性能，但更重要的是，在我们的新的开放式工业数据集中，显着提高了识别性能。最后，我们得出了一套对于需要实际应用最先进的无监督领域适应的从业者而言相关的指南。我们的代码可以在此 https URL 找到。

Oct, 2023

该论文介绍了一种新的基于草图的视频目标分割任务，相应的基准数据集和一个强基准模型。实验结果表明，与其他参考方式相比，草图参考更有效且注释效率更高。

Nov, 2023