物体位姿估计 · 2025 · ICCV · CCF A

CleanPose: Category-Level Object Pose Estimation via Causal Learning and Knowledge Distillation

以 front-door adjustment 缓解类别级 pose 的数据偏置，并用 3D foundation model 的残差知识蒸馏补充无偏语义，在 RGB-D 9DoF pose 与 size 估计上验证跨实例泛化。

Paper Code

研究方向

物体位姿估计

任务层级

Category-level

物体设定

Unseen objects

输入模态

RGB-Dpoint cloud

关键依赖

camera intrinsicsdepthobject mask/category label3D foundation model during training

完整论文元数据作者、单位、研究方向、数据集、指标、方法标签和阅读状态展开

作者: Xiao Lin, Yun Peng, Liuyi Wang, Xianyou Zhong, Minghao Zhu, Yi Feng, Jingwei Yang, Chengju Liu, Qijun Chen
作者单位: Tongji University / State Key Laboratory of Autonomous Intelligent Unmanned Systems
会议 / 期刊: 会议 · ICCV · CCF A
研究方向: 物体位姿估计
开源状态: 已开源
阅读状态: 粗读：已生成精读：已生成
任务设定: Category-level · Unseen objects
数据集: REAL275 CAMERA25 HouseCat6D
评估指标: 3D IoU n° mcm
方法标签: 类别级位姿估计关键点 + PnP 2D-3D 对应关系合成数据与基础模型绝对位姿估计
关键依赖: camera intrinsicsdepthobject mask/category label3D foundation model during training

Reading Notes

粗读 / 精读

已生成 src/paper-notes/cleanpose-iccv2025/coarse.md

论文粗读笔记

用于快速判断论文定位、问题设定、核心方法、实验结论和是否值得精读。

论文粗读笔记：CleanPose: Category-Level Object Pose Estimation via Causal Learning and Knowledge Distillation

1. 基本信息

年份 / 会议：2025 / ICCV；阅读模式：粗读。
任务：RGB-D 类别级 9DoF object pose 与 metric size estimation。
原文：ICCV Open Access；代码：GitHub。

2. 一句话定位

CleanPose 将类别级 pose 的跨实例失效解释为数据偏置：用 front-door causal adjustment 抑制混杂因素，再把 ULIP-2 的 3D 语义以 residual distillation 注入 RGB-D pose 网络。

2.1 论文图表导读

图表	看点
Figure 3	输入 RGB / point cloud、keypoint mediator、因果推理和知识蒸馏如何连接到 pose & size 输出。

CleanPose Figure 3: causal learning and distillation framework — 原论文 Figure 3：CleanPose 总体框架。来源：ICCV Open Access。图片版权归论文作者及出版方所有，本站仅作论文解读展示。

3. 方法概览

RGB 由 DINOv2 提取特征，depth 回投为 point cloud；keypoint extractor 充当 visual input 与 pose 的结构 mediator。
causal module 以训练集采样特征实现 front-door adjustment，试图切断背景、重复样本和姿态分布等隐藏混杂导致的 shortcut。
ULIP-2 teacher 提供 3D feature，residual knowledge distillation 只蒸馏 student 缺失的部分；最终 head 预测 rotation、translation 与 size。

4. 实验概览

数据集：REAL275、CAMERA25、HouseCat6D；指标包括 3D IoU 和不同旋转/平移阈值成功率。
作者声称：三套 benchmark 上优于现有类别级 SOTA。
我的分析：它提出了“不仅加 feature，也要消 bias”的合理问题；但 causal 图中的混杂变量不可直接观测，front-door 假设在真实噪声和分割失败条件下是否成立，需要更多 cross-domain 验证。

5. 优缺点与启发

优点：将 causal adjustment 与 foundation-model distillation 分别作用于偏置来源和语义不足，分工明确。
风险：依赖 RGB-D、实例 mask/类别、ULIP-2 teacher 与训练集 memory queue；工程链路较长。
启发：对类别级 pose，可把 keypoints 看作结构中介变量，而不是只把它们当作最终 PnP 对应点。

已生成 src/paper-notes/cleanpose-iccv2025/deep.md

论文精读笔记

用于复现、对比、写 related work 和挖掘后续研究切入点。

论文精读笔记：CleanPose: Category-Level Object Pose Estimation via Causal Learning and Knowledge Distillation

1. 基本信息

作者 / 机构：Xiao Lin 等；同济大学、State Key Laboratory of Autonomous Intelligent Unmanned Systems。
年份 / 会议：2025 / ICCV；阅读模式：精读。
论文：ICCV Open Access；代码：GitHub。

2. 一句话定位

CleanPose 将 RGB-D category-level object pose 的泛化误差归因于 hidden confounders 和重复/有限姿态数据，用 keypoints 作为 mediator 做 front-door adjustment，再蒸馏 3D foundation model 的残余语义。

2.1 论文图表导读

CleanPose Figure 3: causal inference and distillation framework — 原论文 Figure 3：CleanPose 的 RGB-D 特征、keypoint mediator、front-door causal inference 与 ULIP-2 residual distillation。来源：ICCV Open Access。图片版权归论文作者及出版方所有，本站仅作论文解读展示。

3. 问题设定与因果假设

输入：对象 RGB crop 与由 depth / intrinsics 回投的 point cloud；通常需 category label / segmentation 前端。
输出：类别级 9DoF pose（rotation、translation、metric size）。
因果图： $\mathcal{X}\rightarrow\mathcal{M}\rightarrow\mathcal{Y}$ 代表 visual input 经结构 keypoints 到 pose； $\mathcal{U}$ 同时影响输入和输出，表示 dataset/scene/pose-distribution bias。
我的分析：front-door adjustment 的有效性依赖 mediator 能捕获从图像到 pose 的关键通路且混杂对 mediator 的影响被充分处理；这是建模假设，不是自动由网络保证的事实。

4. 方法详解

模块	输入 / 输出	作用
RGB-D encoder	DINOv2 image feature + PointNet++ point feature	得到融合 object feature
Keypoint extractor	object feature → structural keypoint feature	构造因果 mediator
Causal inference module	当前 keypoints + memory 中采样特征	近似 front-door adjustment，抑制 spurious correlation
Residual distillation	student point feature、ULIP-2 feature	只补足 student 未含的 3D semantic knowledge
Pose/size heads	cleaned feature	回归 9DoF 输出

train-time 需要 ULIP-2 teacher / sample queue；test-time 仍是常规 RGB-D pose pipeline，不必运行大 teacher。

5. 实验分析

在 REAL275、CAMERA25、HouseCat6D 使用 3D IoU 与旋转/平移成功阈值。
Table 1–5 比较主结果、各模块及设置；作者声称多个 benchmark 上优于既有 SOTA。
实验是否充分：多数据集支持 category-level claim；仍建议补充“训练集姿态分布反转”“不同 segmentation source”“无 depth 噪声/有 depth 噪声”对 causal module 的特异性检验。

6. 批判性分析与复现

优点：不把 foundation model 当黑盒 feature boost，而以 residual 分离其新增信息；因果模块和蒸馏模块各自回应不同偏置。
局限：RGB-D、mask、teacher、memory queue 多重依赖；现实中的 confounder 未被显式标注，理论假设很难完全检验。
复现重点：ULIP-2 embedding 对齐维度、front-door queue 的采样策略、DINOv2 / PointNet++ feature normalization。
可改进：用 calibrated uncertainty 选择 memory samples；以多模态 language/shape prior 替代固定类别 teacher；测量在新类别而非新实例上的边界。

7. 对研究的启发

类别级 pose 的核心难点并非只是不够强的 feature extractor；数据采样、pose 先验和环境共现都可能制造 shortcut。

8. 原论文实验图表补充

CleanPose 在 REAL275 上的主结果、类别雷达图和定性比较 — 原论文实验页节选：REAL275 主结果、各类别表现雷达图，以及典型场景中的定性对比。来源：ICCV 2025 论文 PDF。图片版权归论文作者及出版方所有，本站仅作论文解读展示。

总体平均值证明方法有效，类别雷达图则暴露收益并不均匀：几何结构稳定、训练覆盖充分的类别更容易从去偏表示中获益，形状变化大或对称性强的类别仍受 pose 多解影响。定性图能说明背景 shortcut 被削弱，却不能单独证明因果去混杂；真正关键的是组件消融和跨环境测试是否同步提升。

CleanPose: Category-Level Object Pose Estimation via Causal Learning and Knowledge Distillation

粗读 / 精读

论文粗读笔记

论文粗读笔记：CleanPose: Category-Level Object Pose Estimation via Causal Learning and Knowledge Distillation

1. 基本信息

2. 一句话定位

2.1 论文图表导读

3. 方法概览

4. 实验概览

5. 优缺点与启发

论文精读笔记

论文精读笔记：CleanPose: Category-Level Object Pose Estimation via Causal Learning and Knowledge Distillation

1. 基本信息

2. 一句话定位

2.1 论文图表导读

3. 问题设定与因果假设

4. 方法详解

5. 实验分析

6. 批判性分析与复现

7. 对研究的启发

8. 原论文实验图表补充

相关论文

3PT

6DAttack

Active Tactile Exploration