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

使用经济可扩展的实际到合成数据的生成以及姿态估计器等最新组件，我们建立了一个代表性的 6D 姿态估计流程，并在实际的零件排序过程中对汽车零件进行了评估。通过分析发现，训练后的 6D 姿态估计器的性能有所改善，但不满足行业需求。我们揭示了造成这种情况的原因是估计器无法提供可靠的姿态不确定性，而不是提供充分准确的姿态。在此背景下，我们进一步分析了基于 RGB 和 RGB-D 的方法与通过合成数据引起的领域差异的比较，并发现它们对此具有不同的脆弱性。

Sep, 2023

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

本研究主要解决在增强现实（AR）中准确估计六自由度姿态的挑战，我们提出了一种新颖的方法，通过分解 z 轴平移和焦距的估计，利用 FocalPose 架构中内置的神经渲染和比较策略，从无控制的 RGB 图像中准确估计六自由度姿态，并显著提高了 AR 环境中三维物体叠加的准确性，实验结果表明在六自由度姿态估计准确度上有明显改进，该研究成果对制造业和机器人领域具有潜在的重要应用。

Mar, 2024

本论文提出了一种单阶段的分层端对端可训练网络，可以更好地解决大规模空间场景中的 6D 姿态估计问题，相比现有方法在合成的太空图像和标准数据集上表现更优秀。关键词包括 6D 姿态估计、空间、大气散射、基准数据集和端对端可训练网络

Apr, 2021

本研究提出一种名为 Cas6D 的级联框架，该框架对六自由度物体姿态进行少样本学习的估计，使用自监督预训练 ViT 积累鲁棒特征、用特征金字塔进一步精炼姿态和借助离散化姿态搜索范围和渐进式缩小姿态搜索范围的特性克服了 6DoF 姿态估计中的一些常见失败模式。该研究表明，相较于 OnePose ++ 和 Gen6D，在 32-shot 设定下，Cas6D 在 LINEMOD 和 GenMOP 数据集上的定位精度分别提高了 9.2％和 3.8％（Proj-5）。

Jun, 2023

本研究从动作决策的角度重新定义了物体姿态估计问题，通过神经网络依次评估可能的动作，更新初始姿态以使虚拟 3D 渲染物体向正确解决方案迭代。这种决策过程不仅具有较小的计算成本并且可以应用于新的物体类型。在 Laval 和 YCB 视频场景中，与现有技术相比，该方法显著提高了准确性和鲁棒性。

Sep, 2020

本文提出一种基于 Hough Forests 的单个快速检测器和 6D 对象位姿估计算法，利用非监督深度不变 Patch 学习无需手动设计特征，以实现在复杂场景中的目标检测和 6D 位姿估计，并在多个领域超过最先进的方法。

Dec, 2015

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

通过使用自适应分割模块并仅使用少量混乱的参考图像，我们提出了一种少样本姿态估计（FSPE）方法 SA6D，它能够对新的目标对象进行准确预测并构建目标对象的点云模型。与现有方法不同，SA6D 不需要以物体为中心的参考图像或任何其他物体信息，使其成为一个更具通用性和可伸缩性的解决方案，并在真实世界的台面物体数据集上进行了评估，证明了在带有遮挡的混乱环境中，SA6D 优于现有的 FSPE 方法，并且所需的参考图像较少。

Aug, 2023