本文提出了一种基于数据驱动的方法，使用关键点检测和Hough投票网络，实现了从单个RGBD图像稳健地估算6DoF物体姿态，并在多个基准测试中表现出色。

Nov, 2019

本文介绍了一个用于本地特征与鲁棒估计算法的全面基准测试，旨在通过相机位姿的准确性作为主要指标。我们的管道模块化结构允许易于集成、配置和组合不同的方法和启发式算法。同时我们展示了如何嵌入数十种流行算法进行评估，进而表明经典算法在适当的设置下可能仍能胜过认为的最前沿机器学习研究。此外，我们实验发现一些意想不到的图像匹配解决方案的性质，这有助于改进它们的性能，无论是算法还是机器学习方法。我们提供了一个易于使用和灵活的框架，用于衡量本地特征与鲁棒估计方法，同时与顶级方法进行比较，构建了一个基础性的图像匹配挑战平台。

Mar, 2020

本研究旨在探讨如何增加点云分类模型对于未知变换的鲁棒性，通过创建名为RobustPointSet的公共数据集，研究表明即使在点云分类领域进展很大，也没有一种单一的架构能够一致地表现得更好。

Nov, 2020

研究深度神经网络在图像理解中的鲁棒性，通过使用SI-Score，一个合成的数据集，对物体的位置、旋转和大小等因素进行了细致的分析，比较了ResNets、Vision Transformers和CLIP之间的差异。

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

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

我们引入了OOD-CV-v2数据集，其中包括了10个物体类别的姿态、形状、纹理、上下文和天气条件之外的分布数据，以提高图像分类、物体检测和3D姿态估计模型的鲁棒性性能。经过大量的实验，我们发现当前的提高鲁棒性方法只有微小的作用，并且可能会降低鲁棒性；同时，在卷积和transformer架构之间没有明显的差异。

Apr, 2023

通过训练图网络选择一组分散但具有相似分布投票的关键点，从而提高姿势估计的准确性和效率。通过回归网络学习关键点算法，所学习的投票可以与之前的启发式算法相比更准确地回归关键点位置。实验结果表明，KeyGNet选择的关键点在所有七个数据集上的所有评估指标都提高了准确性，特别是在具有挑战性的Occlusion LINEMOD数据集上。当使用KeyGNet的关键点进行单物体到多物体的训练时，性能明显提高，从而消除了SISO-MIMO差距。

Aug, 2023

通过在2D像素空间上使用平滑分布，而不是在3D物理空间中进行采样，增强了鲁棒性认证的效率，并在融合车辆运动空间的均匀分区技术的基础上，实现了对3D-2D投影转换的鲁棒性认证。

Sep, 2023

通过利用对称感知关键点预测和自训练领域适应（SD-Net）构建新的6D姿态估计网络，在解决物体对称性问题和真实场景领域差异问题方面取得了成功，通过在关键点预测阶段引入鲁棒的3D关键点选择策略和在领域适应阶段采用学生-教师训练方案进行可靠预测与强化学习，SD-Net在各个评估数据集上取得了最先进的结果。

Mar, 2024