不忘初心~

6DoF Pose Estimation 论文及代码汇总，持续更新~~~

作者重新讨论了直接6D位姿回归的方法，并提出了一个新的GDR-Net来统一直接方法和基于几何的间接方法。其核心思想是利用中间几何特征 $M_{2D-3D}$ 和 $M_{SRA}$ 使用简单而有效的2D卷积Patch-PnP直接从几何制导回归6D位姿。

作者通过一种新的 self-occlusion 以建立一个两层的三维物体表示，从而大大提高端到端6D位姿估计的准确性。采用单个RGB图像作为输入，生成2D-3D对应，利用共享编码器和两个独立解码器的生成自遮挡信息，然后融合两个输出，直接回归6DoF位姿参数。结合 align correspondences、selfocclusion 和6D姿态的跨层一致性，可以进一步提高准确性和鲁棒性，并且在各种具有挑战性的数据集上超越或与所有其他 soat 的方法相匹敌。

在这项工作中，作者引入了DeepIM，一个新的框架迭代的姿态匹配只使用RGB图像。给定目标的初始6D位姿估计，设计了`一种新的深度神经网络`，`直接输出相对位姿变换`，改进了位姿估计，网络在训练过程中自动学习匹配目标的姿态。作者引入了`一个解耦的pose表示`，它也独立于物体大小和三维物体模型的坐标系，这样，网络甚至可以匹配不可见物体的姿态。

作者提出了一种对RGB图像的end-to-end 的6DoF pose 估计方法。输入RGB图像.PPN初步姿态估计，然后通过 MARN 对第一步的pose进行迭代优化，该方法的refiner预测估计是初始化姿态和目标姿态的相对误差。相比基于RGB输入图像的方法，达到了sota。

6DoF pose 估计evaluation metrics 汇总

作者为长期的6D姿态跟踪提出了一种数据驱动的优化方法。它旨在根据当前的RGB-D观测值和由先前的最佳估算值与物体模型来为条件合成的图像，确定最佳相对姿势。作者关键的贡献提出一种新颖的神经网络架构，该架构适当地解开了特征编码，以帮助减少域偏移，并通过 Lie Algebra 实现了有效的3D方向表示。速度上实现了90.9Hz的跟踪频率`

本文针对单一深度图像中关节目标的分类级位姿估计问题进行了研究。我们提出了一种新的分类级别的方法，它能正确地容纳在训练期间未见过的对象实例。我们引入了关节感知规范化坐标空间层次结构(ANCSH)——给定类别中不同关联对象的规范表示。作为实现类内概化的关键，该表示构造了一个规范对象空间和一组规范部分空间。标准对象空间对对象的方向、尺度和关节(例如关节参数和状态)进行规格化，而每个标准部分空间进一步对其部分姿态和尺度进行规格化。我们发展了一个深厚的网络基础 pointnet++，从单一深度点云预测ANCSH，包括

作者提出了一种新的6D位姿估计框架。设计了一个网络，它`在推理时使用少量的参考视图重建一个对象的潜在3D表示。该网络能够从任意视图中渲染潜在的3D表示`。使用该神经渲染器，可以针对给定输入图像的姿势直接进行优化， 通过使用大量3D形状训练该网络以进行重构和渲染，该网络可以很好地推广到没有见过的对象。另外作者还`提出了一个新的用于不可见目标姿态估计的数据集——MOPED

作者提出将基于梯度的拟合过程与参数化神经图像合成模块相结合，该模块能够隐式表示整个对象类别的外观，形状和姿势，从而无需每个对象实例使用显式CAD模型。实验证明该方法可以仅从2D图像中以高精度恢复对象的方向；当提供深度测量结果时，为克服尺度模糊性，该方法可以成功地准确恢复完整的6DOF姿态。

Normalized Object Coordinate Space for Category-Level 6D Object Pose and Size Estimation

HybridPose 6D位姿估计新网络，其性能优于DPOD,PVNet和Pix2Pose等网络，速度可达30FPS,已开源。