设定：单幅 RGB 下联合恢复类别级旋转、平移与尺寸，并显式建模实例形状的不确定性

输入：RGB-D + CAD model

简述：不把类别形状压缩成单一确定模板，而以 Laplacian mixture 表达 shape distribution；网络从图像证据估计形状与对应关系，再通过尺度无关的几何求解恢复 pose 和尺寸，重点缓解类别内变化与尺度—深度耦合。

设定：只用合成几何监督训练，在未见真实实例上完成类别级 pose 估计

输入：RGB-D / point cloud

简述：将预训练视觉模型的 2D patch 特征投影为带语义的 3D 点云，再与几何描述联合匹配合成部分观测；训练不依赖真实 pose 标注或精调，在 NOCS、Wild6D 与 SUN RGB-D 上检验从合成对象到真实未见实例的迁移。

设定：以 2D 检测框为提示，对室内外广泛类别预测 NOCS、实例 mask、3D pose 与形状

输入：RGB + 2D boxes

简述：建立带单目 NOCS、对象 mask 和 3D bounding box 标注的大规模统一数据集，类别数约为既有 NOCS 数据的 20 倍、实例数约为 200 倍；NOCSformer 从 2D 框提示预测跨类别 NOCS、mask 和 pose。

设定：由有标签合成域迁移到无标签真实域，以伪关键点自监督实例级 6DoF pose

输入：RGB

简述：把源域模型在真实图像上的预测组织为 pseudo-keypoints，并在再生核希尔伯特空间中约束跨域结构，降低噪声伪标签的破坏；在 LINEMOD、LM-O、YCB-V 及多项 BOP 数据上评估自监督 sim-to-real。

设定：给定查询 RGB、对象 mask 与 CAD 模型，无需为目标对象训练即可估计 6D pose

输入：RGB + CAD model + object mask

简述：离线渲染 CAD 模板并提取 DINOv2 patch descriptors，以视觉词袋检索相近视角，再建立查询图像到模型表面的 2D–3D 对应并求解 pose；可选 refinement 进一步提升精度，面向 BOP 未见对象设定。

设定：给定 RGB-D 观测、对象 mask 与 3D 模型，完全免训练地估计未见对象 pose

输入：RGB-D + 3D model + object mask

简述：分别提取局部几何描述和视觉 foundation features，并把图像特征提升到观测点云；融合后的模型—场景对应通过 RANSAC 等鲁棒注册恢复 SE(3)，在七个 BOP 核心数据集上验证 zero-shot 泛化。

设定：合成训练后自监督适配真实水下视频，估计 UUV 操作目标的实例级 6D pose

输入：RGB video + 3D model

简述：通过 frequency-aware augmentation 缩小合成与真实水下图像的外观差异，并利用相邻帧 optical flow 构造时序自监督信号；目标是在缺少真实 pose 标注时提升浑浊、偏色和散射环境中的 UUV 对象位姿。

设定：以统一模型同时处理刚体与关节类别，恢复对象或部件的旋转、平移与尺寸

输入：RGB-D / point cloud

简述：以 per-part point-pair features、部件 voting 与关节约束统一刚体和可动物体的 9D category-level pose；重点不是为每个关节类别单独设计网络，而是让同一表示覆盖对象级与部件级状态。

设定：从单幅内窥镜图像估计柔性机器人器械的外部朝向与弯曲构型

输入：endoscopic RGB

简述：以器械形状先验引导图像特征，并显式学习 orientation 与 bending configuration 的耦合关系；通过可变形形状细化将传统刚体 pose 扩展到连续弯曲工具状态，面向狭窄术野中的机器人感知。

设定：从单帧部分点云联合估计类别级可动物体的对象级 pose 与各部件 pose

输入：point cloud

简述：以规范空间中的整体 alignment 和 part alignment 互相约束，在无需真实 pose 标签的条件下学习关节对象状态；同时输出 object-level 与 part-level pose，并通过新真实基准检验从合成训练到现实观测的泛化。

设定：从驾驶视频联合优化类别对象的尺寸、6D pose 与对象中心 NeRF 重建

输入：monocular RGB video

简述：SUP-NeRF 将对象尺寸估计与 pose refinement 解耦以缓解尺度—深度歧义，并以 projected-box state 完成三次 feed-forward pose 更新后接入 object-centric NeRF。nuScenes 为 7.01° / 0.68m，KITTI zero-shot 为 6.79° / 1.06m；50 次 NeRF 后优化不改善 pose。

设定：对漫反射、镜面、透明及混合材质日常对象，联合检测、类别级 pose 与形状重建

输入：stereo RGB

简述：CODERS 以隐式 stereo matching 融合双目特征与 3D 位置，再由统一 decoder 端到端完成检测、pose 和 reconstruction；避免单目尺度歧义与 RGB-D 对透明/高反光表面的深度失效，并在 TOD 与机器人操作实验中验证 sim-to-real。

设定：在长尾类别与大规模实例上评测 category-level 6D pose，而非只覆盖少数桌面类

输入：RGB-D

简述：发布覆盖 166 个类别、4,688 个实例和超过 80 万幅 RGB-D 观测的大词汇数据集，并设计 symmetry-aware pose metric；其核心价值是揭示小类别基准上难以观察的长尾泛化和跨类别失效。

设定：在真实杂乱视频中评测刚体与关节对象的 6D pose estimation 和 tracking

输入：RGB-D video

简述：PACE 含 300 段视频、55K 帧、258K 条 pose 标注，覆盖 238 个对象与 43 个类别；数据同时包含刚体和关节物体，面向 clutter 下的逐帧估计与跨帧跟踪，而非静态摆拍。

设定：跨大量类别与实例统一评测 6D pose estimation 和 tracking，并覆盖真实与合成规模化数据

输入：RGB-D / video

简述：构建 149 类的 ROPE（332K 真实图像、1.5M 余标注、581 个实例）与 SOPE（475K 合成图像、5M 余标注、4,162 个实例），并以 diffusion-based GenPose++ 统一处理 category-level 6D pose estimation 与 tracking。

设定：从室内 RGB-D 扫描或视频中同时检索对象 CAD，并恢复尺度、旋转和平移对齐

输入：RGB-D scan / video + CAD database

简述：以共享特征同时完成 CAD retrieval 和 upright 9DoF alignment，避免先检索再离线优化；Scan 输入以 50 ms 达 61.7% alignment，视频管线以 10 FPS 达 48.2%。29.6% reconstruction accuracy 对应与 Vid2CAD 相同的受限检索池，开放库主配置为 24.7%。