该论文提出了一种单次操作的方法，可以在不需要多个阶段或检查多个假设的同时，在 RGB 图像中检测对象并预测其 6D 姿态。通过采用新的 CNN 架构和 PnP 算法，该方法可以以 50fps 的速度在 Titan X GPU 上运行，比其他最近的 CNN 方法具有更高的准确性和更适合实时处理。

Nov, 2017

通过 SymCode 编码方法和 SymNet 网络模型，实现对对称物体的 6D 姿态参数的快速准确估计。

May, 2024

本研究针对 T-LESS 数据集中具有旋转对称轴的物体进行了 3D 目标检测和姿态估计，通过引入 CNN 等技术，实现了色彩图像的 2D 投影识别和姿态预测方案，并使用限制范围的训练和分类器优化，最终在 LINEMOD 数据集上将正确注册的 RGB 帧从 73.7％提高至 89.3％，并对仅使用彩色图像的 Occlusion 数据集进行了测试。

Mar, 2017

本文基于 2D 物体注释和 RGB 图像提出了一个双步骤的姿态估计框架，该框架使用 DSC-PoseNet 网络实现了基于差分渲染器的姿态估计，同时还利用自我监督学习生成伪标签进行训练，实验表明该方法在真实数据集上性能优于基于合成数据集的现有模型。

Apr, 2021

该论文提出了一种从单个 RGB 图像中估计物体连续 6-DoF 姿态的方法，该方法结合了经卷积网络预测的语义关键点和可变形的形状模型，同时采用了半自动数据生成技术来训练可学习组件，在实验中该方法达到了与现有技术相当的结果。

Apr, 2022

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

利用单个 RGB-D 图像，我们引入了一种新颖的方法来计算物体的 6DoF 姿态。通过密集对应，我们回归每个可见像素的物体坐标，从而有效降低输出空间并取得出色的性能，在 6D 姿态估计中胜过大多数先前的方法，特别是在遮挡场景中具有显著改进的优势。

May, 2024

本文提出了一种基于学习的方法，用于在点云数据中完成刚性物体的 6 自由度姿态估计，并且相比于使用 RGB 信息进行物体检测的方法，本方法可以通过初始检测到最终转换估计阶段处理无序的点集来实现准确的姿态估计，有些情况下还能够超过在相同数据上训练的最先进的方法.

Dec, 2019

我们提出了一种单次拍摄方法，可以从一张 RGB 图像中确定具有 3D CAD 模型的物体的 6 自由度姿态。我们的方法称为 MRC-Net，包括两个阶段，利用 MRC 层获得输入图像和第一阶段渲染的高低级对应关系。MRC-Net 采用具有共享权重的孪生网络学习输入和渲染图像的嵌入表示。我们的方法在四个具有挑战性的 BOP 基准数据集上表现出色，超过了所有竞争的基于 RGB 的方法。我们的方法非迭代且不需要复杂的后处理。

Mar, 2024

本文提出了一种新的方法，使用卷积网络 (ConvNet) 预测语义关键点结合可变形形状模型，从单张 RGB 图像中估计物体的连续六自由度 (6-DoF) 姿态 (三维平移和旋转)，可以应用于基于实例和类别的姿态恢复，且无论是纹理还是无纹理对象均可。实验结果表明，该方法可在杂乱背景下准确地恢复实例和类别物体的 6-DoF 姿态，并在大规模 PASCAL3D+ 数据集上显示出最先进的精度。

Mar, 2017