6D位姿估计 论文及代码汇总，持续更新~~~

转载请注明作者和出处：http://blog.csdn.net/john_bh/

6D位姿估计 论文及代码汇总，持续更新中~~

1. Data

2. Metric

3. 比赛

4. Paper List

4.1 Survey

1. Deep Learning on Monocular Object Pose Detection and Tracking: A Comprehensive Overview — arxiv paper 2021.05
2. Deep Learning-Based Object Pose Estimation: A Comprehensive Survey — arxiv paper 2024.05 — github
   物体姿态估计是一个基本的计算机视觉问题，在增强现实和机器人领域有着广泛的应用。在过去十年中，深度学习模型因其卓越的准确性和鲁棒性，逐渐取代了依赖于工程点对特征的传统算法。然而，当代方法仍面临着一些挑战，包括对标记训练数据的依赖性、模型的紧凑性、挑战条件下的鲁棒性，以及对未见过的新物体进行泛化的能力。目前还缺少一份最新的调查报告，讨论该领域在不同方面取得的进展、面临的挑战以及未来的发展方向。为了填补这一空白，该工作讨论了基于深度学习的物体姿态估计的最新进展，涵盖了问题的所有三种形式，即实例级、类别级和未见物体姿态估计。该工作的调查还涵盖了多种输入数据模式、输出姿势的自由度、物体属性和下游任务，为读者提供了对这一领域的整体理解。此外，调查还讨论了不同领域的训练范式、推理模式、应用领域、评估指标和基准数据集，并报告了当前最先进方法在这些基准数据集上的性能，从而帮助读者选择最适合其应用的方法。最后，调查报告指出了主要的挑战，回顾了目前普遍存在的问题，并提出了一些建议。

4.2 Papers

2024

1. SAM-6D: Segment Anything Model Meets Zero-Shot 6D Object Pose Estimation — CVPR_2024 — code
   Zero-Shot 6D物体姿态估计涉及到在混乱场景中检测具有6D姿态的新物体，这对模型的泛化性提出了重大挑战。最近的Segment Anything Model(SAM)展示了出色的zero-shot transfer 性能，为解决这一任务提供了一个有希望的解决方案。基于此，提出了一种新的SAM-6D框架，通过实例分割和姿态估计两步来实现该任务。给定目标对象，SAM-6D使用两个专用子网络，即实例分割模型(ISM)和姿态估计模型(PEM)，在杂乱的RGB-D图像上执行这些步骤。ISM以SAM为高级起点，生成所有可能的 object proposals，并通过精心制作 object 在 semantics、appearance和geometry方面的匹配分数，选择性地保留有效的 object proposals。PEM将姿态估计视为 partial-to-partial 的点匹配问题，执行两阶段的点匹配过程，采用新颖的 background tokens 设计来构建密集的3D-3D对应，最终产生姿态估计。SAM-6D 在7个BOP基准的核心数据集上，在新目标的实例分割和姿态估计方面都优于现有方法。
   

2. FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects — CVPR 2024 — project — code
   提出了FoundationPose，一个用于6D物体姿态估计和跟踪的统一基础模型，支持基于模型和无模型的设置。我们的方法可以在测试时立即应用于一个新的对象，而不需要微调，只要它的CAD模型是给定的，或者少量的参考图像被捕获。我们通过神经隐式表示来弥合这两种设置之间的差距，该表示允许有效的新视图合成，并在相同的统一框架下保持下游姿态估计模块不变。通过大规模的综合训练，在大型语言模型(LLM)、基于变压器的新架构和对比学习公式的辅助下，实现了强的泛化性。对涉及挑战性场景和对象的多个公共数据集的广泛评估表明，我们的统一方法在很大程度上优于现有的针对每个任务的专门方法。此外，尽管减少了假设，它甚至可以获得与实例级方法相当的结果。

3. FAR：Flexible, Accurate and Robust 6DoF Relative Camera Pose Estimation — CVPR_2024 — code

4. MRC-Net：6-DoF Pose Estimation with MultiScale Residual Correlation — CVPR_2024

Arxiv

1. PAM:Point-wise Attention Module for 6D Object Pose Estimation — arxiv paper
2. PERCH 2.0 : Fast and Accurate GPU-based Perception via Search for Object Pose Estimation — arxiv paper
3. EfficientPose: An efficient, accurate and scalable end-to-end 6D multi object pose estimation approach — arxiv paper 2020.11 — code
4. Vote from the Center: 6 DoF Pose Estimation in RGB-D Images by Radial Keypoint Voting — arxiv paper 2021.04
5. Single-stage Keypoint-based Category-level Object Pose Estimation from an RGB Image — arxiv paper 2020.09 — code
6. A Dynamic Keypoints Selection Network for 6DoF Pose Estimation — arxiv paper 2021.10
7. T6D-Direct: Transformers for Multi-Object 6D Pose Direct Regressionarxiv paper 2021.09
8. ACR-Pose: Adversarial Canonical Representation Reconstruction Network for Category Level 6D Object Pose Estimation — arxiv paper 2021.11
9. Introducing Pose Consistency and Warp-Alignment for Self-Supervised 6D Object Pose Estimation in Color Images — arxiv paper 2020.03— code
10. PyraPose: Feature Pyramids for Fast and Accurate Object Pose Estimation under Domain Shift — arxiv paper 2020.10 — code
11. 6D Object Pose Estimation using Keypoints and Part Affinity Fields — arxiv paper 2021.07
12. Disentangled Implicit Shape and Pose Learning for Scalable 6D Pose Estimation — arxiv paper 2021.07
13. 6D-ViT: Category-Level 6D Object Pose Estimation via Transformer-based Instance Representation Learning — arxiv paper 2021.10
14. Spatial