设定：未知物体的在线 6D pose tracking 与重建

输入：单目 RGB-D 视频

简述：以增量式 2D Gaussian Splatting 同时优化对象 pose 和对象表示；动态关键帧选择与不透明度统计剪枝用于降低错误更新和训练开销，在 HO3D、YCBInEOAT 上强调实时性。

设定：带 CAD/渲染参考图的 novel-object 6D pose

输入：RGB

简述：通过 View-Aggregated Point Matching 融合多张参考图上的同一 3D 点，直接预测 query 对应与遮挡，再以 RANSAC-PnP 求 pose；目标是在 7 个 BOP 核心数据集上用更少参考图和更低开销保持竞争力。

设定：多张有姿态 template view 到未知 query 的 6D pose

输入：RGB

简述：使用对象中心 camera ray 表示旋转，并以尺度不变的稠密 translation offset 表示平移；模型条件于有姿态模板集，经过 coarse-to-fine 的模板采样恢复 query pose。

设定：稀疏参考 RGB 下的泛化 object pose

输入：RGB + sparse reference views

简述：先从稀疏参考视图恢复对象 3D bounding box，再由 reference-based point synthesizer 预测 query 的 2D box corners；角点天然形成 2D–3D 对应并交由 PnP 解算，对遮挡和稀疏视角更稳健。

设定：单张自然图像的类别级 3D pose 与 shape

输入：RGB

简述：以类别特定的可变形 SDF 约束有效形状流形，先检索相近 3D shape、建立丰富 2D–3D 对应初始化 pose，再迭代优化 pose 与 shape；在遮挡、非常见姿态和 in-the-wild 图像上强调无需重训的泛化。

设定：RGB 类别级多物体 detection 与 pose 联合估计

输入：RGB

简述：以带学习特征的 neural mesh 作为类别 3D prototype，并通过 multi-model RANSAC 在同一框架内检测和估计姿态；论文报告在 REAL275 的 RGB 类别级 scale-agnostic 指标上显著提升。

设定：类别级 object pose 与 size，缓解数据偏置

输入：RGB-D

简述：通过结构信息和隐藏混杂因素构建 causal inference module，以 front-door adjustment 减少虚假相关；再以残差式蒸馏转移 3D foundation model 的无偏语义，在 REAL275、CAMERA25、HouseCat6D 上评测。

设定：大规模类别的 classification 与 3D pose 联合推理

输入：RGB

简述：把 neural mesh 的跨类顶点对比学习重构为类内/类间分解，并动态聚焦易混类别，使结构化模型扩展到 188 个类别；论文重点考察遮挡、天气、合成数据和未知类别下的 OOD 稳健性。

设定：环境变化下的 6D object pose

输入：RGB

简述：EA6D 用 Environment Decoupling Diffusion Model 从输入图像先验中生成与光照、背景、遮挡解耦的对象表征，并以少步采样兼顾效率；训练仅依赖合成数据，验证于 4 个标准基准和 DiverseScenes。

设定：6D pose 的可信区域估计与安全性量化

输入：RGB keypoint pipeline

简述：先把确定性回归的 Gaussian keypoint distribution 用 inductive conformal prediction 校准为 2D region，再借助 implicit function theorem 将其传播到 6D pose region，避免采样/集成造成的推理慢和区域膨胀。

设定：周期图案下的超高精度 6DoF 测量

输入：工业相机 + 蚀刻棋盘图案

简述：提出 2D interpolated DFT，并建立图像 phase/frequency 到 6DoF pose 的数学映射，兼容正交与近正交成像；低成本工业相机实验报告纳米级平移和微弧度级旋转精度。

设定：文本描述 + query image 的类别无关关键点 pose

输入：RGB + text

简述：CapeLLM 以 query image 和详细文本描述替代带标注关键点的 support 图像，结合特定 instruction、dynamic round training 与灵活解码，估计类别无关 keypoint pose 及其空间不确定性，并在 MP-100 上评测。