提出适用于单个RGB-D输入图像的刚体物体6D姿态估计基准，并通过姿态误差函数对姿态歧义进行处理，在15种不同方法的全面评估中发现，基于点对特征的方法目前表现最佳。

Aug, 2018

本文介绍了一个新的数据集和基准测试标准，主要针对从3D模型（有纹理和无纹理）训练，可扩展性，遮挡，光照和物体外观的变化等方面测试6D姿态估计算法的性能，并使用最先进的DPOD检测器来设置基线。

Apr, 2019

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

使用 Wild6D 数据集，采用半监督学习，通过自由的渲染方法与真实数据的轮廓匹配目标函数得到的 Rendering for Pose estimation network RePoNet 模型，在无需真实数据 3D 标注的情况下，能更好地解决类别级别的 6D 对象位姿估计问题。

Jun, 2022

最近在6D物体姿态估计方面的研究主要聚焦于学习图像和物体模型之间的关键点对应关系，并通过基于RANSAC的算法或直接通过端到端优化来确定物体姿态。本文主张学习点级别的辨别特征在文献中被忽视，为此，我们重新研究了完全卷积几何特征（FCGF）并针对物体6D姿态估计进行了改进，以达到最先进的性能表现。FCGF采用稀疏卷积并通过优化最难对比损失来学习点级别的特征。通过对损失和输入数据表示进行关键修改、精心调整训练策略以及使用适合该问题的数据增广，我们在流行的基准测试中胜过近期的竞争对手。我们对每个修改进行了全面的剖析来研究其贡献。

Jul, 2023

我们在研究中引入了开放词汇的物体6D姿态估计新设置，其中使用文本提示来指定感兴趣的物体，并提出了一种新方法来通过视觉-语言模型从两个不同场景的图像中分割和估计物体的相对6D姿态。

Dec, 2023

提出了一种名为PoMZ的新方法，通过融合预训练的几何和图像模型，实现了零样本物体 6D 位姿估计的最新进展，该方法无需任务特定的微调，在BOP基准测试中在无法见到的物体的 6D 定位领域取得了第一名。

Dec, 2023

6D目标姿态估计是计算机视觉中一个重要且具有挑战性的任务，本文介绍了Omni6DPose数据集以及使用GenPose++方法对其进行的基准分析。

Jun, 2024

本研究解决了现有数据集中类别范围有限和忽略遮挡等现实挑战的问题，提出了Omni6D，一个涵盖166个类别和4688个实例的全面RGBD数据集。文章引入了一种基于对称性的评估指标，并对现有算法进行了系统基准测试，提出的一种有效微调方法可将先前数据集的模型适应到我们的大词汇量设置，从而推动6D物体姿态估计的新进展。

Sep, 2024

本研究解决了现有数据集中类别范围过窄和忽视现实世界挑战（如遮挡）的问题，提出了Omni6D数据集，包含166个类别和4688个实例，丰富了6D物体姿态估计的研究基础。研究中引入了对称感知指标，并系统评估了现有算法，提出有效的微调方法，推动了工业和学术界在此领域的进展。

Sep, 2024