设定：不做 pose-specific fine-tuning，对训练未见 CAD 对象估计实例级 6D pose

输入：RGB scene + CAD-rendered templates

简述：ZS6D 用预训练 Vision Transformer 提取查询图像与 CAD 渲染模板的视觉描述子，先完成模板级视角匹配，再由局部匹配建立 2D–3D correspondence，并通过 RANSAC-PnP 求 pose；在 LM-O、YCB-V 与 T-LESS 上无需任务专属微调。

设定：单张 RGB 中，对类内未见实例恢复 6D pose 与 metric size

输入：monocular RGB

简述：DMSR 以预训练单目几何估计器提供局部三维线索、筛选可靠 2D–3D correspondence，同时用独立分支根据类别统计恢复 metric scale，最后以 RANSAC-PnP 求 pose；设计直接针对 RGB-only 类别级任务的尺度歧义。

设定：用单目 RGB 隐式感知 3D 几何并实时估计类别级 pose / size

输入：monocular RGB

简述：Feature Auxiliary Perception Network 先借助 geometry supervision 学习粗三维特征，再以 pose 与 size constraints 细化表征；论文在 REAL275 上报告 10°10cm 提升 14.7 个百分点、IoU50 提升 11.4 个百分点，并保持实时推理。

设定：减少真实 6D pose 密集标注，并让初始估计与 refinement 联合学习

输入：RGB / RGB-D object observation

简述：论文围绕自监督 pose representation 与 refinement coupling 设计联合损失，使初始预测和后续细化不再作为两个彼此割裂的训练目标；其主要价值是降低工业对象 6D 标注依赖，而非测试时完全无对象先验。

设定：给定对象 NeRF，从任意单张查询图像直接恢复相机—对象 6DoF pose

输入：single RGB + object NeRF

简述：IFFNeRF 通过 Metropolis-Hastings 从 NeRF 采样表面点并投射 rays，用学习式 attention 在查询图像与 ray bundle 之间建立 correspondence，再以 least-squares 求 pose；作者报告 34 FPS，且相对 iNeRF 显著降低角度和位移误差。

设定：用少量多视角图像快速建立对象 NeRF，再对新图像实时估计 pose

输入：single RGB + object NeRF

简述：方法从一个初始视角渲染 RGB / depth，以 LoFTR 等 matcher 建立查询图与渲染图的 2D–2D matches，再由 NeRF depth 抬升为 2D–3D correspondence；3D consistency mining 和遮挡采样进一步过滤伪几何，论文报告约 90 倍加速与 6 FPS。

设定：机器人从零扫描场景，在重建 density field 中定位多个已知微小对象

输入：wrist RGB video + known 3D models

简述：系统用腕载单目相机主动扫描场景，以高效 Neural Graphics Primitives 重建 density field，再将已知对象模型直接拟合到该场；完整流程能自动检测和估计多个对象，面向小型、反光工业零件报告约 1 mm 量级精度。

设定：没有深度传感器时，在机械臂运动中主动收集多视角并完成操作

输入：eye-in-hand monocular RGB

简述：RGBManip 让夹爪上的单目相机随机械臂主动获得多视角观测，以图像估计对象 6D pose；强化学习策略同时优化感知视角、位姿精度和操作时间，在仿真与真实系统中验证 image-only manipulation。

设定：在透明物体和贫弱传感观测下，以可解释物理世界模型识别并估计 pose

输入：poor / partial sensor observations + symbolic physical knowledge

简述：NaivPhys4RP 不依赖大规模训练数据，而通过认知模拟构建满足常识、因果与物理约束的可能世界，用白盒推理解释当前观测并恢复透明对象身份与 6D pose；其关注点是可解释、安全的 perception，而非标准 BOP 排名。

设定：只用仿真训练，在真实随机料箱中检测并估计目标工件 6D pose

输入：RGB-D / point cloud + CAD-based simulation

简述：方法通过 physics simulator 与目标 CAD 自动生成料箱堆叠、实例分割和 pose annotations，只用 synthetic data 训练定位系统并部署到真实随机 bin-picking；核心评价应同时看真实 pose 精度、域差距和下游抓取成功。

设定：相机高速运动时，直接从异步事件流持续对齐已知 3D 对象模型

输入：event stream + object 3D model

简述：方法构造新的事件表示，并根据对象运动插值预测 brightness increments，再将其与 3D 模型投影直接配准；实验关注 tracking duration 与高速鲁棒性，在相机速度达到约 2 m/s 时仍能工作。

设定：动态、遮挡的料箱视频中联合检测并估计多个对象 6D pose

输入：RGB video sequence

简述：模型接收视频序列，在一次前向中联合检测所有对象并估计 pose；temporal fusion modules 跨时间聚合 object embeddings 与 object parameters，在 SynPick 和 YCB-Video 上同时改善检测与位姿精度。

设定：从 10–20 个示范学习同一任务的多个有效对象间相对 pose

输入：paired object point clouds + demonstrations

简述：方法扩展 TAX-Pose 的几何关系推理，以空间落地的分布式 demonstration latent space 表达多模态 relative placements；只需 10–20 个、无需人工语义标注的示范，就能在类内不同对象之间生成精确的任务相关 cross-pose。

设定：只用事件相机，对快速运动的已知刚体执行高频在线 6DoF tracking

输入：asynchronous events + object mesh

简述：EDOPT 用对象 mesh 投影生成 event-compatible templates，维护未来 pose hypotheses，并让跟踪更新适应变化的事件速率；论文称其为首个 event-only 6DoF object pose 方法，精度可接近融合 frame、depth 与 event 的深度网络。