论文精读笔记：WALDO: Where Unseen Model-based 6D Pose Estimation Meets Occlusion

1. 基本信息

• 简称：WALDO
• 作者：Sajjad Pakdamansavoji、Yintao Ma、Amir Rasouli、Tongtong Cao
• 机构：Huawei Technologies Canada
• 会议：WACV 2026
• 正式论文页：CVF Open Access
• 公开预印本：arXiv:2511.15874
• 阅读模式：精读

2. 先给结论

WALDO 的真正贡献是把“遮挡”从一种笼统的数据困难，拆成多阶段 model-based pipeline 中可被建模的四个对象：前端 mask 误差、点级不可见概率、初始 pose 多解、以及 benchmark 对高可见样本的统计偏置。它沿用检测—模板—点匹配—SVD 的主干，却让 coarse matching 同时输出多个 pose hypotheses 和逐点背景 / 遮挡概率，再以这些概率重分配 dense matching 预算，并反复细化候选。

论文的主要结果可以压缩成三句话：

1. 相对主要 baseline SAM6D，BOP-Core* 的 UAR / AR 从 0.54 / 0.71 提到 0.56 / 0.73，单图耗时从 4.37 s 降到 1.53 s；
2. 收益集中在遮挡更强的 ICBIN（UAR 0.50→0.56）与 YCB-V（0.52→0.56），TUD-L 无 UAR 改善；
3. WALDO 仍低于 FRTPose 的 0.70 UAR、FreeZe 的 0.66 和 Co-op 的 0.61，因此它的优势是速度—遮挡鲁棒性折中，不是“全面刷新最高精度”。

精读时还必须保留以下边界：

• 测试需要 RGB-D observation、对象 CAD / mesh、模板渲染与相机信息；
• BOP-Core* 是本文选择的五个集合，不是完整 BOP benchmark 的同义词；
• UAR 是作者新定义的可见度等权聚合，不能和官方 AR 混为一个指标；
• 论文摘要的 “2% / 5% improvement”对应 UAR 的绝对 point 差，例如 0.54→0.56、0.50→0.56；
• 公开版本没有给出可核验的官方代码链接，多个基础模块的版本和复现接口仍需自行拼接。

2.1 证据矩阵

论文主张	主要证据	能证明什么	不能证明什么
更适合遮挡	ICBIN UAR +0.06、YCB-V +0.04；逐可见度 UAR	相对 SAM6D，在本文五集合协议下低可见条件更稳	对所有传感器、所有遮挡类型都泛化
更快	4.37→1.53 s / image；相对 FRTPose 45.37 s	当前实现表中报告的每图推理延迟更低	硬件无关、能耗更低或所有 batch 设置都更快
动态采样有效	LMO UAR 0.49→0.50	可见性引导 sampling 有小幅增益	它是总体 +0.02 的唯一来源或主导来源
多假设有效	$K=1$ 的 0.4933→$K=8$ 的 0.5045	适中的候选数能提高 LMO UAR	候选越多越好；$K=32$ 已降到 0.4989
迭代细化有效	$N=1$ 0.4933、$N=32$ 0.5015	足够深的 refinement 最终超过单步	每一轮都改善；$N=2,4$ 反而下降
普通 AR 乐观	WALDO BOP-Core* AR 0.73、UAR 0.56	高可见样本主导普通平均，分层结果更保守	UAR 是唯一合理的实际风险权重

3. 任务边界与符号

3.1 输入

对于一个测试实例，系统需要：

• 观测 RGB 图 $I_o$；
• 观测 depth $D_o$；
• 对象 CAD / mesh；
• 从 $V$ 个视角渲染的模板 RGB ${I_m^v}_{v=1}^{V}$；
• 相应模板 depth ${D_m^v}_{v=1}^{V}$；
• 相机内参；
• 前端检测 / 分割模型与训练好的特征、匹配网络。

观测 mask 只覆盖当前可见部分，形成 partial point cloud $P_o$；多模板可聚合为近似完整模型点云 $P_m$。

3.2 输出

最终输出刚体变换：

$$(R_f,t_f),\qquad R_f\in SO(3),\quad t_f\in\mathbb{R}^3,$$

把对象模型坐标系对齐到相机 / 观测坐标系。论文属于实例级、测试对象未参与训练、但测试时提供模型的 model-based novel-object setting。

3.3 “Unseen”不等于“无对象先验”

WALDO 没有为每个测试对象重新训练 pose network，但它拥有完整 CAD，并可在推理前渲染多视角 RGB-D。其泛化难点是模型需从训练资产迁移到新几何，而不是在没有对象形状信息时猜测 pose。

这与三类任务应区分：

• model-free：只提供少量 reference images / video；
• category-level：测试实例属于训练类别，使用类别形状先验；
• open-vocabulary detection：只根据文本 / 类别定位对象，不保证完整 6D pose。

4. 遮挡如何在 pipeline 中传播

将系统写成：

$$(I_o,D_o,M)\xrightarrow{\text{detect/segment}} (B_o,S_o)\xrightarrow{\text{feature+lifting}} (F_o,P_o;F_m,P_m)\xrightarrow{\text{coarse}} \{R_k,t_k\}\xrightarrow{\text{dense refine}}(R_f,t_f).$$

遮挡会在每个箭头处产生不同错误：

1. 检测 / 分割：漏掉可见碎片、把遮挡物包含进 mask；
2. 特征 lifting：背景 pixel 被绑定到错误 3D 点，模型不可见区域没有对应证据；
3. coarse matching：局部几何 / 纹理造成多个合理对齐，只选一个会过早塌缩；
4. dense matching：均匀在完整模型取点，把预算浪费在不可见表面；
5. 评价：高可见样本多时，低可见失败在总平均中被稀释。

WALDO 的设计与五个问题近似一一对应，这比把“robustness”只归因于某个 backbone 更容易审计。

5. 总体架构

整体可分为：

1. MUSE 负责 3D-aware detection / segmentation；
2. ViT 抽取多层 features，depth 将 pixel features 提升到点云；
3. coarse point matching 产生 soft assignments、遮挡概率和多个初值；
4. 遮挡概率决定 dense point sampling distribution；
5. dense transformer + weighted SVD 细化每个候选；
6. 结果回灌并迭代 $N$ 轮；
7. 训练期用 depth / mask / view augmentation 模拟现实遮挡链路。

6. MUSE：3D-aware detection 与 segmentation

6.1 前端组合

对观测图：

• Grounding DINO 提出 boxes；
• SAM2 接受 box prompts，产生 masks；
• DINOv2-L 对前景提取 class-level 与 patch-level multi-embeddings。

对象模型 templates 也经过同一 DINOv2 encoder。作者用 Integrated von Mises–Fisher（I-vMF）权重强调方向上更合理的 templates，再计算 3D-aware multi-embedding similarity，从候选中选出目标。

6.2 为什么检测和 pose 不是独立模块

Table 3 将 detection choice 直接接到最终 UAR：

Detector	BOP-Core* UAR	Time（s / image）
NIDS	0.54	1.26
Fast-SAM	0.55	4.37
MUSE	0.56	1.53
Ground Truth	0.70	—

MUSE 相对 NIDS 只多 0.02 UAR，但 GT detection 比 MUSE 高 0.14。这说明后端即使更懂遮挡，也无法完全修复前端未提供的目标区域；论文的“error recovery”是有限恢复，不是端到端消除 detector dependency。

7. 特征抽取与 3D lifting

7.1 Crop 与多层 ViT feature

根据 $(B_o,S_o)$，背景被 mask，ROI 被 crop 并缩放到固定分辨率，例如 $224\times224$。作者从 ViT 的第 3、6、9、12 blocks 读取 patch embeddings，经全连接层、reshape 与双线性插值得到逐前景点 feature：

$$F_o\in\mathbb{R}^{N_o\times C}.$$

每个模板同样得到 $F_m^v$，所有视角拼为：

$$F_m\in\mathbb{R}^{N_m\times C},\qquad N_m=\sum_{v=1}^{V}N_m^v.$$

多层特征同时保留较局部与较语义信息，但也显著增加 feature memory；论文没有单独给出这些中间张量的显存占用。

7.2 背景与遮挡 token

作者在观测端增加 learnable background embedding $f_o^{bg}$，在模型端增加 learnable occlusion embedding $f_m^{oc}$。这两个 token 的作用是给“不应匹配实体点”的证据一个合法出口：

• 观测 mask 中的污染点可匹配到 background；
• 模型当前不可见的点可匹配到 occlusion。

如果没有这些出口，双向 softmax 会迫使每个点在错误实体点之间分配概率，使 SVD 更容易被污染。

7.3 点云

观测 depth 与 mask 产生 partial cloud $P_o$；模板 depths 与 masks 合并成 model cloud $P_m$。后续 correspondence 是 3D–3D，而非单纯 2D template retrieval。

这也是 WALDO 依赖 RGB-D 的关键：若观测没有可靠 depth，$P_o$ 不可直接建立，整个 point matching 和 SVD 路线需重写。

8. 双向 soft correspondence

8.1 Assignment matrix

特征矩阵含额外 token 后，attention / assignment 为：

$$A=[f_o^{bg},F_o]\,[f_m^{oc},F_m]^T \in\mathbb{R}^{(N_o+1)\times(N_m+1)}.$$

随后分别沿行和列做 temperature-scaled softmax，并逐元素相乘：

$$\tilde A= \operatorname{Softmax}_{row}\left(\frac{A}{\tau}\right) \odot \operatorname{Softmax}_{col}\left(\frac{A}{\tau}\right).$$

双向归一化强调互相一致的对应，弱化“一对多但反向不支持”的匹配。

8.2 Coarse stage

作者对 $P_o,P_m$ 做 farthest-point-like uniform sampling：

$$P_o^c\in\mathbb{R}^{196\times3},\qquad P_m^c\in\mathbb{R}^{196\times3},$$

再经过 $T^c=3$ 个 Geometric Transformer blocks。coarse assignment $ilde A^c$ 同时服务两个目标：

1. 从对应中采样并生成 pose hypotheses；
2. 从首行 / 首列读取 background 和 occlusion probabilities。

这使可见性估计不是独立 segmentation head，而是 correspondence problem 的副产品。

9. 多初始位姿假设

9.1 生成方式

从 $ilde A^c$ 多次抽取 3D–3D correspondences，每组对应通过 SVD 求一个刚体变换 $(R_{hyp}^k,t_{hyp}^k)$。候选评分大意是变换后模型点到观测 coarse cloud 的平均最近邻距离的倒数：

$$s_{hyp}^k=\frac{N_o^c}{ \sum_{p_o^c\in P_o^c} \min_{p_m^c\in P_m^c} \left\|R_{hyp}^k(p_m^c-t_{hyp}^k)-p_o^c\right\|_2}.$$

保留 top-$K$ 进入 dense stage。

9.2 为什么遮挡需要多假设

部分可见几何可能支持多个相近方向；对称物体还存在真实等价旋转。单 hypothesis pipeline 在 coarse stage 选错后，dense refinement 的 basin 可能覆盖不到正确姿态。保留多个初值提高至少一个候选落入正确 basin 的概率。

但评分仍基于最近邻几何距离，可能偏爱错误却局部重叠的解；最终也只输出一个 pose，不是显式 pose distribution。

10. Dynamic Non-uniform Dense Sampling

10.1 概率来源

$\tilde A^c$ 的第一列和第一行分别可读作观测 background 与模型 occlusion 概率。由于概率只在 196 个 coarse points 上存在，作者按三维邻域距离插值到原始点云。

10.2 采样

在概率分布上建立 Walker–Vose alias table，再通过 Gumbel-Top-$k$ 无放回采样，得到约 2048 点的 dense sets：

$$P_o^d\in\mathbb{R}^{2048\times3},\qquad P_m^d\in\mathbb{R}^{2048\times3}.$$

目标不是几何覆盖最均匀，而是匹配证据最有效：减少高遮挡 / 高背景概率点，增加当前观测可支持的区域。

10.3 一个需要谨慎的地方

如果 coarse matching 已经错误，插值后的 visibility probabilities 也会错误，dynamic sampling 可能进一步放大早期偏差。多 hypothesis 与 iterative refinement 是论文用来缓解这种自增强错误的机制，但并未从理论上保证恢复。

11. Dense matching 与迭代

11.1 每个 hypothesis 的 dense refinement

对每个 $(R_{hyp},t_{hyp})$：

1. 先将 model dense cloud 变换到 hypothesis 附近；
2. Set Abstraction 提取多尺度位置编码；
3. 将位置编码加到 dense features；
4. 经过 $T^d=3$ 个 Sparse-to-Dense Point Transformer blocks；
5. 从 dense assignment 取 weighted correspondences；
6. 用 weighted SVD 求 $(R_r,t_r)$。

11.2 循环 refinement

新的 $(R_r,t_r)$ 回灌为下一轮 hypothesis，重复 $N$ 次后输出 $(R_f,t_f)$。这是共享模块的 recurrent use，而不是 $N$ 个独立训练 stage。

循环允许早期错误逐步调整，但也带来：

• 推理成本随 $N$ 增加；
• 错误对应可能重复强化；
• 需要在训练 / 推理配置间保持 refinement depth 一致或足够稳健。

12. 训练监督与增强

12.1 Correspondence labels

利用合成数据中的 GT pose $(\hat R,\hat t)$，将观测点变换到模型坐标，寻找最近模型点。若最近距离小于阈值 $\delta_{dis}=0.15$，标签为对应模型点；否则标为 background。模型到观测方向同理，不可见点标为 occlusion。

损失对 assignment matrix 做双向 cross-entropy：

$$L=CE(A[1:,:],\hat Y_o)+CE((A[:,1:])^T,\hat Y_m).$$

coarse 与 dense transformer 的多个 blocks 都施加监督并求和。

12.2 Augmentation

作者在常规颜色、噪声、模糊、缩放、旋转和透视增强之外，加入三类 occlusion-focused augmentations：

Depth

• blur；
• Gaussian noise；
• 随机 depth dropout；
• 椭圆区域缺失。

Mask

• dilation；
• 用 bounding box 替换 mask；
• 用直线切割 mask；
• 随机删除内部区域。

View

• 从多视角模板中只取部分 views；
• 构造不完整 model point cloud，模拟模型证据缺失。

增强的边际 UAR 是 0.54→0.55。它有价值，但表明 backbone / correspondence framework 才是主要性能来源。

13. UAR：按可见度重新平均

13.1 普通 BOP AR

BOP AR 通常聚合三类误差阈值 recall：

• VSD：可见表面差异；
• MSSD：对称感知最大表面距离；
• MSPD：对称感知最大投影距离。

这些误差本身处理了可见表面或对象对称，但普通 dataset average 仍受样本 visibility distribution 支配。

13.2 UAR 的计算逻辑

WALDO 将实例按 visibility fraction 分成 10 个 deciles。对每个 decile：

1. 分别计算 VSD / MSSD / MSPD recall；
2. 在各自 thresholds 上聚合；
3. 对三个 metrics 和 10 个 deciles 等权平均。

因此 UAR 近似回答：随机先选一个可见度层级，再选其中样本时，模型平均能否成功。

13.3 Detection / segmentation 的对应指标

作者类似地将 COCO AP / AR 按 visibility deciles 计算后平均，得到 mAPD / mARD。WALDO 前端结果：

• AP 0.508 vs mAPD 0.218；
• AR 0.594 vs mARD 0.444。

AP 与 mAPD 差 0.290，说明高度可见实例对普通 AP 的贡献很大。

13.4 UAR 的统计取舍

优点：

• 不让数量最多的高可见样本垄断总分；
• 可以比较方法是否在所有遮挡层级稳定；
• 适合发现“平均很好、重遮挡崩溃”的模型。

限制：

• 10 个 bins 是经验选择；
• 空 / 小样本 bin 的方差可能更大；
• 等权不一定对应真实部署频率；
• 不同任务对低可见失败的成本可能不是线性的；
• 与传统 leaderboard 的数值不可直接横比。

14. 主结果逐项核验

14.1 相对 SAM6D

Dataset	SAM6D UAR / AR	WALDO UAR / AR	UAR 绝对变化
LMO	0.49 / 0.69	0.50 / 0.71	+0.01
T-LESS	0.31 / 0.51	0.32 / 0.53	+0.01
TUD-L	0.85 / 0.90	0.85 / 0.92	0.00
ICBIN	0.50 / 0.58	0.56 / 0.63	+0.06
YCB-V	0.52 / 0.84	0.56 / 0.87	+0.04
Mean	0.54 / 0.71	0.56 / 0.73	+0.02

改善与遮挡困难大体一致，但并非每个集合都改善；TUD-L UAR 不变，表明 WALDO 不是统一提高所有场景。

14.2 与更强但更慢的方法

方法	UAR	时间	相对 WALDO
FRTPose	0.70	45.37 s	+0.14 UAR，约 29.7 倍耗时
FreeZe	0.66	24.89 s	+0.10 UAR，约 16.3 倍耗时
Co-op	0.61	6.92 s	+0.05 UAR，约 4.5 倍耗时
WALDO	0.56	1.53 s	最快但精度最低于前三者

因此 Figure 1 的 Pareto 叙事成立，但“performs better on both metrics”应理解为相对部分 baselines 或效率前沿，不是同时支配所有方法：FRTPose 明显更准，WALDO 明显更快。

14.3 AR 与 UAR gap

WALDO mean AR 0.73、UAR 0.56，差值：

$$0.73-0.56=0.17,$$

相对 UAR 约：

$$\frac{0.17}{0.56}\approx30.4\%.$$

论文写约 30.5%。YCB-V、T-LESS 的 gap 更大，说明其测试实例大部分可见度较高；ICBIN gap 较小，意味着其整体更偏重遮挡。

15. 消融：哪些模块真正贡献性能

15.1 从简单匹配到完整训练

配置	BOP-Core* UAR
ViT features + RANSAC	0.33
+ Point Matching & SVD	0.54
+ Occlusion-focused Augmentation	0.55

最大的 +0.21 来自学习后的 point matching + SVD；增强再加 +0.01。若只看论文名称容易把收益全归因于遮挡 augmentation，这是不准确的。

15.2 DNDS

LMO 上 static uniform 0.49、DNDS 0.50。单项增益很小，且只报告一个数据集；需要更多 seeds、不同 visibility bins 与其他数据集才能判断稳定性。

15.3 $K$ 与 $N$

$K$ 消融：

$K$	1	2	4	8	16	32
UAR	0.4933	0.4901	0.4959	0.5045	0.5022	0.4989

$N$ 消融：

$N$	1	2	4	8	16	32
UAR	0.4933	0.4810	0.4853	0.4956	0.4957	0.5015

这些结果暴露两个工程风险：

• 多候选会增加 dense refinement 总成本，过多还稀释 / 误选；
• refinement 需要很多轮才能形成净增益，部署时降低 $N$ 可能同时改变精度与速度前沿。

论文 Table 2 的 1.53 s 使用哪组完整 $K,N$ 配置必须严格按照作者实现复现，不能用单项消融的最佳值随意组合并期待同样延迟。

16. 失败模式与隐含假设

16.1 前端不可恢复错误

如果检测框完全漏掉对象，后端没有观测点云；若 mask 把遮挡物大面积纳入，background token 可能不足以清除所有污染。GT detector 0.70 vs MUSE 0.56 是最直接证据。

16.2 Depth sensor

透明、反光和远距离对象常产生空洞或错误深度。Depth augmentation 模拟 noise / dropout，但真实传感器误差可能是结构化、多径或与材质强相关，不一定由 Gaussian noise 覆盖。

16.3 CAD 与真实对象一致

模型点云来自 CAD templates。制造误差、柔性、可动部件、磨损或错误尺度都会使 3D–3D correspondence 与 SVD 产生系统偏差。WALDO 没有解决 model mismatch。

16.4 Visibility probability 的自举风险

概率来自 coarse correspondence。如果 coarse alignment 错，模型可能把本应可见的点判成遮挡，再在 dense stage 少采这些点，形成确认偏差。

16.5 对称与最终单解

多 hypothesis 能覆盖若干候选，但最终评分仍选择单 pose。对于图像条件下真正多解的对象，单解 evaluation 即使 symmetry-aware，也不能表达预测分布的覆盖与冗余；这正是 BOP-Distrib 后续评测关注的方向。

17. 复现清单

17.1 必要组件

• Grounding DINO；
• SAM2；
• DINOv2-L；
• MUSE 的 I-vMF template weighting 与 multi-embedding similarity；
• RGB-D template renderer；
• Geometric Transformer；
• Sparse-to-Dense Point Transformer；
• Walker–Vose alias sampling 与 Gumbel-Top-$k$；
• weighted SVD；
• BOP datasets、visibility masks、CAD models 和 evaluator；
• UAR / mAPD / mARD 的 visibility-decile implementation。

17.2 容易错的实现细节

• 对象—相机坐标变换方向以及 $R,t$ 的左右乘约定；
• depth 单位、CAD 尺度和 BOP mm / m 转换；
• template views 的方向、数量与 opposing-view pairing；
• mask crop 后图像 / depth / intrinsics 的同步变换；
• background / occlusion token 在 assignment matrix 的首行首列位置；
• 双向 softmax 是逐元素相乘，不是 Sinkhorn 的完全等价实现；
• coarse 概率向 full cloud 插值时的距离权重方向与归一化；
• SVD reflection correction，避免得到 $\det(R)=-1$；
• UAR bins 的边界、空 bin 处理与 recall threshold 聚合；
• latency 是否包含检测、模板处理、数据搬运和 refinement 全部阶段。

17.3 缺失信息

公开论文没有完整报告：

• 官方代码与 checkpoint；
• 完整硬件 / batch / warm-up 统一设置；
• 每模块显存和 FLOPs；
• 多 random seeds 或置信区间；
• 不同 depth sensor 的实测泛化；
• $K,N$ 联合 sweep；
• 每个 visibility decile 的完整数值表。

这些缺口意味着“1.53 s + 0.56 UAR”复现需要作者实现或较多工程判断。

18. 与相关路线的关系

18.1 对 SAM6D

WALDO 可看成 SAM6D-style model-based zero-shot pipeline 的遮挡 / 效率扩展：更换并加强 detection、增加 point matching 的背景 / 遮挡 token、多候选与动态采样，再迭代细化。

18.2 对 FoundationPose / FreeZe / Co-op

• FoundationPose：render-and-compare / refinement 能力强，但表中耗时高；
• FreeZe：foundation features 与几何匹配带来更高 UAR，仍比 WALDO 慢很多；
• Co-op：对应 + flow refinement 的精度更高，速度介于 WALDO 与重方法之间。

WALDO 的定位更像轻量 Pareto 点，而不是彻底替代这些方法。

18.3 对 BOP-Distrib

WALDO 的 UAR 处理的是不同 visibility levels 的样本权重；BOP-Distrib 处理的是单张图中哪些 poses 都能解释可见证据。两者互补：

• UAR：每个可见度层级是否公平参与总分；
• pose distribution GT：当前图像本身是否多解。

未来可以用逐图 pose distribution 评价 WALDO 的多个 hypotheses，而不是只在 refinement 后保留一个结果。

19. 本站分析：最值得延伸的方向

19.1 联合前端与位姿

GT detection 提供 0.14 UAR 上限差，远大于 DNDS 的 0.01。与其继续堆更深 refinement，更高收益的路线可能是让 pose consistency 反向筛选 detection / segmentation，或共同训练 visibility head。

19.2 保留分布而不是最后塌缩

当前 multi-hypothesis 只是优化策略。可以为候选赋权并输出 mixture over $SE(3)$，再用 BOP-Distrib 的 precision / recall 检查是否覆盖所有视觉等价解。

19.3 风险加权 UAR

十个 deciles 等权是公平性选择，但机器人抓取可能对 10% 可见对象失败成本更高。可以研究：

$$R_{risk}=\sum_{b=1}^{10}w_bR_b,$$

其中 $w_b$ 由失败代价、场景频率或下游抓取敏感度确定，并同时报告 macro UAR 与 deployment-weighted score。

19.4 先验成本计入 Pareto

Figure 1 只画 accuracy 与 time。更完整的部署比较还应包括：

• 是否需要 CAD；
• 是否需要 depth；
• onboarding 时间；
• GPU memory / power；
• renderer 与模板存储；
• 失败后是否可校准 / 重试。

加入这些轴后，“最快”可能仍不是最低系统成本。

20. 最终评价

20.1 论文做得好的地方

• 研究问题具体：不是泛泛谈 occlusion，而是逐阶段定位误差传播；
• 方法闭环：coarse assignments 同时支持 hypothesis 与 visibility sampling；
• 评价有反思：主动展示 AR 比 UAR 乐观；
• 实验诚实：主表保留更准但更慢的方法，也报告 TUD-L 无 UAR 改善；
• 消融充分暴露非单调性，没有暗示更多 hypotheses / refinements 永远更好。

20.2 不应被宣传语掩盖的地方

• 0.56 UAR 不是主表最高；
• +0.02 是相对 SAM6D 的绝对 point 改善；
• 动态采样单项仅 +0.01；
• 32 次 refinement 才得到消融最好值；
• 系统需要 RGB-D + CAD + 多基础模型；
• 没有官方代码让复现难度显著上升。

20.3 适合谁读

• 做 BOP / novel-object pose 的研究者；
• 研究 occlusion-aware correspondence 与 refinement 的读者；
• 设计 benchmark aggregation / robustness metrics 的读者；
• 需要理解准确率—延迟—先验三方取舍的机器人视觉工程师。

21. 可带走的五条结论

1. 遮挡鲁棒性不能只靠训练 augmentation，还要改变候选管理和计算分配。
2. background / occlusion token 是 soft correspondence 中处理“不应匹配”证据的关键出口。
3. 多假设与迭代都可能非单调，必须报告完整 sweep 和计算代价。
4. 普通 AR 与 visibility-balanced UAR 可以讲出不同故事，指标聚合方式本身就是研究假设。
5. WALDO 的强项是较低延迟下的可用精度，不是主表绝对最高精度；评价应始终把数字放回 baseline、时间和先验条件中。