← 返回指标目录

6DoF / 阈值聚合 · aggregate

ADD / ADD-S AUC

Area Under the ADD Recall Curve

在一段误差阈值内平均 recall,避免只看单一阈值。

AUC 把“误差小于阈值的成功率”画成曲线后积分;它比 ADD-0.1d 更连续,但上限取值会显著改变分数。

Principle

原理:它究竟在惩罚什么?

公式给出计算规则;示意图帮助区分误差发生在三维模型、可见表面、图像平面还是阈值聚合层。

每个阈值 θ 都对应“误差小于 θ 的实例比例”。

AUC 对所有 θ 做平均,因而比单点阈值更能区分接近阈值的模型。

AUC⁡(emax)=1emax∫0emaxRecall⁡(θ) dθ\operatorname{AUC}(e_{max})=\frac{1}{e_{max}}\int_0^{e_{max}}\operatorname{Recall}(\theta)\,d\theta
不同论文可能用 0.1m、0.1d 或别的上限;上限不一致时,AUC 不能直接比较。
recall / precision阈值 / 置信度跨多个设置聚合
本站示意:用于理解该指标关注的误差空间,并非真实数据或原论文插图。

How to compute

计算步骤

  1. 01

    收集每个实例的 ADD 或 ADD-S error。

  2. 02

    在 0 到 e_max 的多个阈值计算 recall。

  3. 03

    数值积分并按 e_max 归一化。

Strength

适合回答

  • 减少某个任意阈值造成的偶然排序。
  • 可同时展示整体精度与小误差区域表现。

Caveat

读表时要警惕

  • 必须同时报告底层 error、物体集合和 AUC 上限。
  • AUC 高不代表在极严格阈值下仍然优秀。

Paper atlas

文献库中哪些论文报告了它?

由论文的原始指标写法自动归一化得到。直接报告与通过上层协议关联的论文会明确区分。

在文献库筛选
30关联论文
30直接报告
0通过协议关联
2026 直接报告

ConceptPose: Training-Free Zero-Shot Object Pose Estimation using Concept Vectors

CVPR · Liming Kuang, Yordanka Velikova, Mahdi Saleh 等

原始写法:ADD-AUC / ADD-S-AUC
2026 直接报告

CoordAR: One-Reference 6D Pose Estimation of Novel Objects via Autoregressive Coordinate Map Generation

AAAI · Dexin Zuo, Ang Li, Wei Wang 等

原始写法:AUC ADD / AUC ADD-S
2026 直接报告

Cov2Pose: Leveraging Spatial Covariance for Direct Manifold-aware 6-DoF Object Pose Estimation

CVPR · Nassim Ali Ousalah, Peyman Rostami, Vincent Gaudillière 等

原始写法:AUC ADD-S / AUC ADD(-S)
2026 直接报告

EgoXtreme: A Dataset for Robust Object Pose Estimation in Egocentric Views under Extreme Conditions

CVPR · Taegyoon Yoon, Yegyu Han, Seojin Ji 等

原始写法:ADD-S AUC
2026 直接报告

GenHOI: Generalized Hand-Object Pose Estimation with Occlusion Awareness

ECCV · Hui Yang, Wei Sun, Jian Liu 等

原始写法:ADD / ADD-S AUC
2026 直接报告

GraspClutter6D: A Large-scale Real-world Dataset for Robust Perception and Grasping in Cluttered Scenes

ICRA / IEEE RA-L · Seunghyeok Back, Joosoon Lee, Kangmin Kim 等

原始写法:ADD(-S) and ADD-S AUC
2026 直接报告

HIPPo: Harnessing Image-to-3D Priors for Model-Free Zero-Shot 6D Pose Estimation

ICRA / IEEE RA-L · Yibo Liu, Zhaodong Jiang, Binbin Xu 等

原始写法:ADD AUC / ADD-S AUC
2026 直接报告

Deep Learning-Based Object Pose Estimation: A Comprehensive Survey

IJCV · Jian Liu, Wei Sun, Hui Yang 等

原始写法:ADD / ADD-S AUC / ADD AUC
2026 直接报告

Pose Anything Anywhere: Model-free Object Poses from Arbitrary References

ECCV · Hongli Xu, Jiaqi Hu, Junwen Huang 等

原始写法:ADD / ADD-S AUC / ADD AUC
2026 直接报告

Point2Pose: Occlusion-Recovering 6D Pose Tracking and 3D Reconstruction for Multiple Unknown Objects Via 2D Point Trackers

ECCV · Tzu-Yuan Lin, Ho Jae Lee, Kevin Doherty 等

原始写法:ADD-S AUC / ADD AUC
2025 直接报告

Any6D: Model-free 6D Pose Estimation of Novel Objects

CVPR · Taeyeop Lee, Bowen Wen, Minjun Kang 等

原始写法:AUC ADD / AUC ADD-S
2025 直接报告

BoxDreamer: Dreaming Box Corners for Generalizable Object Pose Estimation

ICCV · Yuanhong Yu, Xingyi He, Chen Zhao 等

原始写法:ADD-AUC / ADD-S AUC
2025 直接报告

CRISP: Object Pose and Shape Estimation with Test-Time Adaptation

CVPR · Jingnan Shi, Rajat Talak, Harry Zhang 等

原始写法:ADD-S AUC
2025 直接报告

DynamicPose: Real-time and Robust 6D Object Pose Tracking for Fast-Moving Cameras and Objects

IROS · Tingbang Liang, Yixin Zeng, Jiatong Xie 等

原始写法:ADD AUC at 0.1 m / ADD-S AUC at 0.1 m
2025 直接报告

Occlusion-Aware 6D Pose Estimation with Depth-Guided Graph Encoding and Cross-Semantic Fusion for Robotic Grasping

ICRA · Jingyang Liu, Zhenyu Lu, Lu Chen 等

原始写法:ADD(-S) AUC
2025 直接报告

ONDA-Pose: Occlusion-Aware Neural Domain Adaptation for Self-Supervised 6D Object Pose Estimation

CVPR · Tao Tan, Qiulei Dong

原始写法:ADD-S AUC
2025 直接报告

One2Any: One-Reference 6D Pose Estimation for Any Object

CVPR · Mengya Liu, Siyuan Li, Ajad Chhatkuli 等

原始写法:ADD-S AUC / ADD AUC
2025 直接报告

SCFlow2: Plug-and-Play Object Pose Refiner with Shape-Constraint Scene Flow

CVPR · Qingyuan Wang, Rui Song, Jiaojiao Li 等

原始写法:ADD-S AUC
2025 直接报告

UA-Pose: Uncertainty-Aware 6D Object Pose Estimation and Online Object Completion with Partial References

CVPR · Ming-Feng Li, Xin Yang, Fu-En Wang 等

原始写法:ADD-S AUC / ADD AUC
2025 直接报告

ViTa-Zero: Zero-Shot Visuotactile Object 6D Pose Estimation

ICRA · Hongyu Li, James Akl, Srinath Sridhar 等

原始写法:ADD-S AUC / ADD AUC
2024 直接报告

6D-Diff: A Keypoint Diffusion Framework for 6D Object Pose Estimation

CVPR · Li Xu, Haoxuan Qu, Yujun Cai 等

原始写法:ADD / ADD-S AUC
2024 直接报告

FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects

CVPR · Bowen Wen, Wei Yang, Jan Kautz 等

原始写法:ADD / ADD-S AUC / ADD AUC / ADD-S AUC
2024 直接报告

Learning Better Keypoints for Multi-Object 6DoF Pose Estimation

WACV · Yangzheng Wu, Michael Greenspan

原始写法:ADD / ADD-S AUC / ADD(S) AUC
2024 直接报告

Effects of Markers in Training Datasets on the Accuracy of 6D Pose Estimation

WACV · Janis Rosskamp, Rene Weller, Gabriel Zachmann

原始写法:ADD / ADD-S AUC
2024 直接报告

MOTPose: Multi-Object 6D Pose Estimation for Dynamic Video Sequences Using Attention-Based Temporal Fusion

ICRA · Arul Selvam Periyasamy, Sven Behnke

原始写法:ADD AUC / ADD-S AUC / ADD(-S) AUC
2024 直接报告

PACE: A Large-Scale Dataset with Pose Annotations in Cluttered Environments

ECCV · Yang You, Kai Xiong, Zhening Yang 等

原始写法:ADD AUC / ADD-S AUC
2024 直接报告

Pseudo-keypoint RKHS Learning for Self-supervised 6DoF Pose Estimation

ECCV · Yangzheng Wu, Michael Greenspan

原始写法:ADD(S) AUC / ADD-S AUC
2024 直接报告

YOLO-6D-Pose: Enhancing YOLO for Single-Stage Monocular Multi-Object 6D Pose Estimation

3DV · Debapriya Maji, Soyeb N. Nagori, Manu Mathew 等

原始写法:ADD(-S) AUC
2022 直接报告

Gen6D: Generalizable Model-Free 6-DoF Object Pose Estimation from RGB Images

ECCV · Yuan Liu, Yilin Wen, Sida Peng 等

原始写法:ADD-AUC
2022 直接报告

PIZZA: A Powerful Image-only Zero-Shot Zero-CAD Approach to 6 DoF Tracking

3DV · Van Nguyen Nguyen, Yuming Du, Yang Xiao 等

原始写法:ADD-S AUC
定义与协议来源展开查看原始论文、综述和官方评测页面。