LocPoseNet 精读

1. 为什么“目标位置”值得单独研究

许多 generalizable pose 系统把 query crop 或真值 object center 当作输入，于是论文比较看似集中在 rotation/refinement，真实部署最容易失败的检测与平移却被排除。对于未见类别，训练一个固定类别 detector 也不成立。LocPoseNet 的贡献是把这一隐藏假设显式化，并构造位置噪声测试来回答：参考图只有 32 张、query 尺度和背景都变化时，能否先产生足够好的 location prior？

2. 网络设计

2.1 Reference kernel distribution

从多张参考图抽取局部特征后，论文不是简单 resize query，而是对小尺寸 reference kernels 做双向尺度变换。这样只需一次 query backbone 前向即可得到多尺度相关，计算量明显低于为每个尺度重复编码整张 480×640 query。

双向很重要：只扩大 receptive field 会帮助“大 query、小 reference”，却会进一步破坏“小 query、大 reference”。kernel 同时收缩和扩张，才能覆盖两种尺度错配。

2.2 Cross-reference consistency

不同参考图产生的 correlation maps 需要在 query 中支持同一个目标位置。网络聚合跨参考证据，抑制只在某个模板上偶然匹配的背景区域。

2.3 解耦中心与尺寸

中心预测需要选择尖锐、单峰且位置稳定的相关图，因此 scale-robust head 按相关分布可靠性加权。尺寸预测则需要知道“哪个 kernel 尺度最匹配”，所以 scale-aware head 保留不同尺度通道。预测二维中心 $c_q$ 与尺度 $s_q$ 后，再结合物体参考尺度、焦距和投影关系恢复三维平移。

3. 实验与证据

3.1 Localization

LINEMOD 32-reference 上，平均 mAP@[.5:.95]：

• SRPN：12.23
• OSOP：27.86
• Gen6D：60.84
• LocPoseNet：74.35

论文还保留真实 reference、渲染不同尺度/光照/背景的 synthetic query，仅用于测试。所有方法都下降，但 LocPoseNet 至少领先 10.42 点，并在尺度比从 1.0 增至 2.0 时保持更高曲线。这一测试比普通 LINEMOD 更直接支持“尺度鲁棒性”主张。

3.2 最终 6D pose

LocPoseNet 只替换 Gen6D 的位置/平移前端，旋转和最终 refinement 使用相同后端：

• LINEMOD：无 refinement 27.27 vs Gen6D 17.73；同用 Volume 后为 68.58 vs 62.45。
• GenMOP：无 refinement 23.32 vs 17.90；同用 Volume 后为 53.61 vs 50.39。

这类“共享后端”的比较比直接和任意 SOTA 混排更有解释力，因为差值可以主要归因于 location prior。

3.3 消融

基础单尺度、无一致性、普通估计器为 34.98 mAP；加入 cross-reference consistency 到 38.41，多尺度 + max 到 52.43，卷积融合到 70.10，完整解耦 estimator 达 74.35。说明主要增益来自多尺度表示，解耦头提供最后约 4.25 点。

4. 局限与复现注意

• reference 图仍需已知 pose/尺度信息，且 32 张模板并非真正 one-shot。
• 最终 rotation 由外部 refiner 提供，不能把全部 ADD 增益解释成网络直接预测了完整 6D。
• synthetic robustness set 使用 LINEMOD CAD 渲染，能控制变量但不完全代表真实传感器域差。
• 对强遮挡、多个相同实例、参考物体与 query 形变明显的场景，相关峰可能仍不唯一。

5. 工程启示

LocPoseNet 最有价值的观点是：translation 不只是一个三维回归向量，它由二维中心、表观尺度、真实尺寸和相机内参共同决定。把中心与尺度分开建模，并对前端单独评测，通常比在最终 ADD 上盲目调 refiner 更容易定位系统瓶颈。