论文精读笔记：ZeroPose: CAD-Prompted Zero-Shot Object 6D Pose Estimation in Cluttered Scenes

1. 基本信息

• 作者：Jianqiu Chen, Zikun Zhou, Mingshan Sun, Rui Zhao, Liwei Wu, Tianpeng Bao, Zhenyu He
• 机构：Harbin Institute of Technology, Shenzhen；Pengcheng Laboratory；SenseTime Research
• 发表：IEEE Transactions on Circuits and Systems for Video Technology（TCSVT）35(2), 1251—1264, 2025；arXiv v1 于 2023 年提交，本文按 2024 年修订的 v3 阅读
• 论文：arXiv / PDF / DOI
• 代码 / 项目页：论文与 arXiv 页面未给出作者公开代码或项目页
• 阅读模式：精读

2. 一句话定位

ZeroPose 是一个面向训练未见刚性实例的 CAD-based RGB-D 完整 pipeline：以 CAD 离线生成的视觉和几何 embeddings 作为 prompt，用 FastSAM + DINOv2 发现杂乱场景中的所有目标实例，用 patch matching 估计 observation viewpoint 并裁出 CAD 可见面，再用 coarse-to-fine 3D correspondence、weighted SVD 和 Chamfer ranking 得到每个实例的 6D pose。

方法输入与输出

项目	内容（本站整理）
推理输入	场景 RGB-D、内参 $K$，以及每个目标 CAD 对应的 cached image / patch / geometric prompts。模板由已知尺度 CAD 离线渲染，不是待估计的场景几何。
最终输出	Discovery 的 mask / object ID 与 Registration 的 $R,t$；最终 $x_{cam}=Rx_{CAD}+t$。
训练输入	GSO 等训练对象 CAD、带 GT pose 的合成 RGB-D，以及由几何生成的点对应监督；预训练视觉模型另有其原始预训练数据。
训练目标	训练 Geo model 与 hierarchical matching network 学习可泛化的点云特征和对应；测试 CAD onboarding 仅渲染、提取并缓存特征，不为新对象更新权重。
输出细节	输出一个被选中的刚体 pose，不是完整姿态分布。Orientation 的 top-$k$ 可见视角只是中间假设；点云按 CAD 半径归一化后配准，导出 $t$ 需恢复 CAD / depth 的实际长度尺度。
必要条件	完整 DOR 不要求外部目标 mask；只测后端或 partial zero-shot 时要另列 mask 来源。RGB、depth、相机标定和正确尺度 CAD 缺一不可。

2.1 论文图表导读

图表	回答的问题	关键结论
Figure 2	ZeroPose 的输入、三步输出和 CAD prompt 在哪里进入？	DOR 将 detection / segmentation 与 pose 串成一条链
Figure 3	三类 embedding 如何贯穿完整 pipeline？	image / patch / geometry 分别负责 identity、visibility、rigid alignment
Figures 4—6	onboarding、Discovery、Registration 如何实现？	新物体不重训，但必须渲染模板并缓存特征
Tables I—II	主结果是否真是 fully zero-shot？	必须按 discovery、pose、refiner 三个条件分组阅读
Figure 8；Tables III—VIII	性能来自哪些设计？代价是什么？	42 views、top-5 visibility hypotheses、几何层级匹配和尺度归一化共同生效

3. 问题设定与任务边界

3.1 几何任务

给定 CAD 坐标系中的表面点 $x_o$，目标是恢复相机坐标系中的刚体变换

$$x_s = R x_o + t,\qquad R\in SO(3),\ t\in \mathbb{R}^3.$$

ZeroPose 还要求输出场景中每个目标实例的 mask 与 object ID，因此它评测的不只是已知 crop 上的 pose regression。

3.2 训练与推理输入

阶段	输入	输出
通用训练	GSO CAD、100 万张带 pose 的 MegaPose 合成 RGB-D、对应点监督	可泛化的 KPConv Geo model 与 hierarchical matching network
每物体 onboarding	带尺度 CAD、renderer、预定义 viewpoints	RGB-D templates；image / patch / geometric embeddings
场景推理	RGB-D、camera intrinsics、一个或多个目标 CAD prompts	所有目标实例的 mask、ID、$R,t$

• 任务层级：instance-level。CAD 指定的是某个具体物体，不是“杯子”类别的共享 canonical space。
• 对象设定：unseen object。测试物体不参与目标专用训练，但其 CAD 在推理前已知。
• 模态：RGB 用于 proposal association 与 viewpoint selection；depth 用于 scene / CAD point cloud；内参用于 2D depth 回投影。
• 无需的输入：完整 DOR 不要求人工给 query box / mask，也不假定每种物体只有一个实例。
• 仍然需要的先验：metric CAD、正确坐标系和尺度、RGB-depth calibration、可用深度、离线模板渲染。

3.3 “zero-shot”有两层协议

论文将条件拆得较清楚：

1. partial zero-shot：pose model 对目标物体 zero-shot，但 object discovery 使用该数据集的 object-specific Mask R-CNN。此协议适合隔离 pose 后端能力。
2. fully zero-shot：Discovery 和 pose 都不针对目标物体重训，由 ZeroPose 自己从 FastSAM proposals 中识别目标并估计 pose。

因此“ZeroPose 不需要 mask”只适用于完整 DOR；Tables II 的 rows 7 / 11 仍使用 object-specific discovery，不能与 rows 17 / 18 混为一个系统数字。

3.4 对称性与多解

• 评测采用 VSD、MSSD、MSPD，BOP 协议在度量层面对对象对称性更公平。
• 方法本身通过 correspondence + SVD 输出单个 $R,t$，没有显式 symmetry-aware correspondence loss、pose distribution 或等价解集合。
• top-$k$ 是 observation viewpoints 的多假设，不等同于对称旋转的概率建模。

4. 研究脉络

• object-specific pose：PoseCNN、CosyPose、SurfEmb 等通常为目标对象训练 detector / pose model，换物体需要重新 onboarding。
• unseen-object pose：OVE6D、OSOP、MegaPose 等尝试让 pose network 对新 CAD 泛化，但常以外部 detection / segmentation 为入口，或依赖 render-and-compare。
• CAD-based novel-object segmentation：ZeroPose 的 v3 将 SAM / FastSAM proposals 与 DINOv2 CAD template matching 结合；后续 CNOS 与 SAM-6D 将这一前端方向进一步系统化。
• 本文位置：它较早把 CAD prompting、foundation segmentation、foundation visual features 和 learned 3D registration 串为完整 DOR，重点是减少 target-specific training 与在线多假设渲染。
• 与类别级方法不同：NOCS、SGPA、AG-Pose 等从类别共享形状空间处理同类未见实例，通常没有该实例自己的 CAD；ZeroPose 的 instance identity 与 metric geometry 都由 CAD 明确给定。

5. 研究动机

1. 新物体 onboarding 不应再等同于训练模型。 CAD 已包含几何、尺度和 object frame，理想系统只需将其转换为可复用 prompt。
2. “pose 可泛化”不等于“系统可部署”。 如果仍需用户给每个实例 mask，杂乱、多实例场景的前端成本没有解决。
3. 不同子问题应使用不同特征。 全局 DINOv2 embedding 适合判断“这是哪个物体”，局部 patch embedding 适合判断“看到哪一面”，最终 metric pose 更适合由深度几何对应约束。
4. 完整 CAD 对 partial scene 是不对称匹配。 当前不可见的 CAD 背面会成为系统性 outlier；先预测视角再做 surface filtering，可把 registration 变成更接近 partial-to-partial 的问题。
5. 在线 renderer 是可避免的。 论文把模板和 embeddings 在 onboarding 阶段缓存，场景推理主要变为 feature lookup / matching。

6. 方法详解

6.1 总体 Pipeline

模块	输入	输出	作用	与下一模块如何衔接
CAD onboarding	metric CAD、viewpoints、renderer	三类 cached prompts	把目标专用信息从“训练权重”移到“检索库”	Discovery 按 object ID 检索 visual prompts
Discovery	RGB、FastSAM masks、image embeddings	mask、object ID、score	找到同一 CAD 对应的所有 scene instances	mask crop 与 CAD ID 进入 Orientation
Orientation	scene / template patch embeddings	top-$k$ viewpoints、visible CAD surfaces	排除当前不可见 CAD 区域	每个可见面形成一个 registration hypothesis
Registration	RGB-D scene crop、visible CAD points、Geo model	3D correspondences、candidate $R,t$	用 metric geometry 求刚体变换	Chamfer distance 选择最终 pose

6.2 CAD Onboarding：三种 prompt、一次缓存

设每个 CAD 有 $R$ 张模板、视觉特征维度为 $C$：

• image embeddings：$f_t^c\in\mathbb{R}^{R\times C}$，用于跨 proposal 的全局 object association；
• patch embeddings：$f_t^p\in\mathbb{R}^{R\times P_l\times C}$，用于局部 viewpoint matching；
• geometric embeddings：$\{p_t^g,f_t^g\}$，同时保留 coarse / fine point coordinates 与 KPConv features。

每个模板 depth 先按已知 template pose 逆变换回 CAD base frame。为处理未见对象的尺寸变化，令 $r_O$ 为 CAD 外接球半径，scene 与 template point clouds 同时缩放到 $1/r_O$ 的 normalized space。这样 KPConv 的 voxel size 与 receptive field 在不同物体上具有一致的相对尺度。

工程含义：这是 target-specific preprocessing，不是 target-specific learning。论文默认 42-view Blender onboarding 为 27.0 s / object，其中渲染 26.5 s、特征提取 0.5 s，模板特征缓存约 0.16 MB。该成本可摊销到后续多帧推理，但不能在大物体库中忽略。

6.3 Discovery：FastSAM proposal + CAD image retrieval

对第 $m$ 个 scene proposal feature $f_{s,m}^c$，在所有 CAD $n$ 与模板视角 $T$ 中寻找最大 cosine similarity：

$$\hat n_m = \arg\max_n\max_T \frac{f_{s,m}^c\cdot f_{t,n,T}^c} {\lVert f_{s,m}^c\rVert_2\lVert f_{t,n,T}^c\rVert_2}.$$

最高分决定 object ID 与 proposal score。实现采用 FastSAM 默认 CNN backbone，过滤小于 128 pixels 的区域，并以 mask IoU 0.25 做 NMS。

为什么不用 text prompt？ BOP 中不少工业零件没有稳定、可区分的自然语言名称。论文的 ImageBind text-prompt 版本只有 15.0 mAP，CAD-image prompt 为 30.4，DINOv2 CAD-image prompt 达到 37.8，说明“具体实例外观”比类别词更适合这一设定。

风险：这仍是 proposal-first pipeline。若 FastSAM 没有生成覆盖目标的 mask，后续 CAD matching 无法恢复该实例；如果相似 CAD 的 templates 在 DINOv2 空间混淆，错误 object ID 会把错误 geometry 送入 pose 后端。

6.4 Orientation：将 3-DoF 旋转先压成 2-DoF 可见方向

相机 observation rotation 被分解为

$$R_O=R_\gamma R_\theta,$$

其中 $R_\gamma$ 表示 image plane optical axis direction，$R_\theta$ 是绕 optical axis 的 in-plane rotation。物体表面的“可见 / 不可见”主要由 $R_\gamma$ 决定，因此 Orientation 不直接回归完整 rotation，而只在球面离散 viewpoints 中寻找接近的可见方向。

对 scene crop 的每个 patch，找到某 template 中最相似的 patch，再平均这些局部最大相似度：

$$S_T^p=\frac{1}{N_s}\sum_{j=1}^{N_s} \max_i \frac{f_{s,j}^p\cdot f_{t,i}^p} {\lVert f_{s,j}^p\rVert_2\lVert f_{t,i}^p\rVert_2}.$$

按 $S_T^p$ 排序取 top-$k$，同时用 patch similarity 和 estimated visibility 修正 Discovery score。论文默认 $k=5$。每个候选模板的 depth 定义一份 visible CAD surface，供下一步独立注册。

关键澄清：Orientation 的模板 rotation 不是最终 pose。由于它只覆盖 2-DoF viewpoint、没有解决 in-plane rotation 与精确 translation，直接把模板位姿当答案在 Table V 只有 24.4 AR。

6.5 Registration：归一化几何、层级对应、加权 SVD

mask 内像素 $(u_i,v_i)$ 与 depth $d_i$ 由相机内参回投影：

$$x_i=d_i\frac{u_i-c_x}{f_x},\qquad y_i=d_i\frac{v_i-c_y}{f_y},\qquad z_i=d_i.$$

scene points 还拼接 RGB 作为 texture feature。每个 visible CAD surface 与 scene cloud 经 CAD 半径归一化、centroid clustering 去噪和 KPConv 层级特征提取。

Hierarchical Geometric Matching（HGM）先用 coarse features 交互并筛出 $C_c$，再利用 coarse receptive fields 索引 fine-level points，得到 $C_f$。最终求解

$$\min_{R,t}\sum_{(o_i,s_i)\in C_f} w_i\lVert R o_i+t-s_i\rVert_2^2,$$

由 weighted SVD 给出闭式解。对 top-$k$ visible surfaces 各得一个候选 pose，再将 CAD 变换到 scene frame，按 Chamfer distance 选择最终结果。

这条链路的优点是最终 pose 仍由显式 metric correspondence 决定，便于查看哪一层出了错；缺点是早期 mask / ID / viewpoint error 会层层传播。

6.6 训练方式与监督

• 不是整体 training-free：DINOv2 与 FastSAM 使用预训练权重；Geo model 与 HGM 还在 GSO 合成数据上训练。
• 训练数据：1,000 个 GSO objects、100 万张 MegaPose synthetic images。
• 高层匹配监督：依据 GT pose 计算 point-cloud overlap，overlap 超过 10% 的 region pairs 作为 positive，使用 overlap-aware circle loss。
• 低层匹配监督：按空间 matching radius 定义 fine correspondences，以 negative log-likelihood 训练。
• 增强：color jitter 与 position jitter，缓解合成 / 真实的光照、颜色和位置差异。
• 算力：论文报告用 8 张 NVIDIA V100 训练，场景推理在 RTX 3090 上测量。

训练目标是 correspondence quality，而最终评价是 symmetry-aware pose AR；二者通过 SVD 间接连接，并非直接优化 BOP AR。论文没有把 DOR 三步联合端到端训练，这也是作者明确列出的限制。

7. 实验分析

7.1 数据集与指标

用途	数据	说明
Geo / HGM 训练	GSO + MegaPose synthetic	1,000 objects、1M images
主测试 BOP7	LM-O、T-LESS、TUD-L、IC-BIN、ITODD、HB、YCB-V	真实 RGB-D，形状、纹理、遮挡和 clutter 差异大
消融 BOP5	LM-O、T-LESS、TUD-L、IC-BIN、YCB-V	可离线访问的五个数据集

• segmentation 使用 BOP instance segmentation mAP。
• pose 使用 VSD、MSSD、MSPD 三类 symmetry-aware errors 的平均 recall，即 BOP AR。
• YCB-V 另报告 ADD-S 2 cm；在相同 masks 下 ZeroPose 为 96.6，接近 object-specific DenseFusion 的 96.8。
• 时间必须结合硬件、mask 来源和是否 refiner 阅读。

7.2 主结果与协议公平性

Object discovery

方法	是否目标专用训练	BOP7 mAP	时间
Mask R-CNN，无 real images	是	36.2	0.054 s
ZebraPoseSAT，无 real images	是	52.3	0.080 s
text-prompt ImageBind	否	15.0	0.427 s
CAD-prompt ImageBind	否	30.4	0.429 s
CAD-prompt DINOv2	否	37.8	0.220 s

CAD-prompt DINOv2 达到不使用 real images 的 Mask R-CNN 水平，但仍明显落后 ZebraPoseSAT 52.3。因此作者“无需目标专用训练且可用”的主张得到支持，“zero-shot segmentation 已追平最强监督前端”则不成立。

Pose

协议	方法	BOP7 mean AR	时间	结论边界
object-specific discovery；zero-shot pose；无 refiner	MegaPose	16.2	25.6 s	论文中的 initialization 配置
同上	ZeroPose	61.1	1.8 s	支持几何 feature matching 的效率与初始化质量
object-specific discovery；带 refiner	MegaPose	57.2	93.3 s	额外 refinement
同上	ZeroPose	69.5	48.3 s	更高精度但非轻量实时
fully zero-shot；无 refiner	ZeroPose	51.5	4.81 s	最代表完整 DOR
fully zero-shot；带 MegaPose refiner	ZeroPose	60.0	85.9 s	精度增加 8.5 AR，时间增加约 18 倍

对“50x faster”的判断：Table II 的 rows 5 / 7 为 25.6 s 与 1.8 s，按原始数字约 14.2 倍；作者文字还称 98% runtime reduction / 50x improvement，可能使用了不同计时口径。网页不应把摘要口号替代具体表格数字。完整 fully zero-shot 行为 4.81 s，也不是实时视频速度。

7.3 模板密度、视角与匹配消融

消融	结果	支持的主张	我的判断
6 $\rightarrow$ 42 templates	mAP 27.6 $\rightarrow$ 39.3；onboarding 0.4 $\rightarrow$ 27.0 s	稀疏六视图覆盖不足	支持，但暴露 preprocessing 成本
42 $\rightarrow$ 162 / 642	mAP 39.3 $\rightarrow$ 39.2 / 38.9	过密 views 无额外收益	支持默认 42 views
image-level viewpoint $\rightarrow$ patch top-5	57.1° $\rightarrow$ 20.4° error	局部 patch 更适合 observation direction	证据直接
visual feature matching $\rightarrow$ Geo	16.3 $\rightarrow$ 49.1 AR	几何特征更抗 sim-to-real 外观差	支持
Geo $\rightarrow$ Geo + HGM	49.1 $\rightarrow$ 70.4 AR	coarse-to-fine interaction 是关键	增益很大，但缺少跨更多训练域消融
no VP filtering $\rightarrow$ top-5	58.2 $\rightarrow$ 70.4 AR；0.058 $\rightarrow$ 0.165 s	可见面过滤减少错误对应	支持速度 / 鲁棒性权衡
top-5 $\rightarrow$ top-6	70.4 $\rightarrow$ 70.8 AR；0.165 $\rightarrow$ 0.191 s	更多 hypothesis 收益趋于饱和	支持选择 $k=5$

7.4 可见面与尺度归一化

Table VIII 是整篇最清楚的组件证据之一：

Viewpoint filtering	Normalization	AR
否	否	48.3
否	是	58.2
是	否	65.1
是	是	70.4

两者不是重复技巧：visibility 处理 partial overlap，normalization 处理跨对象尺度与 KPConv receptive field。组合仍比任一单项高，说明设计具有互补性。

7.5 定性结果与场景覆盖

定性图证明 pipeline 可在多种 BOP 场景运行，但没有系统展示失败样例，也不能替代 per-object recall、误检类型和 depth quality 分层统计。

7.6 鲁棒性与失败边界

• 遮挡：在 40%—60% occlusion fraction 下，proposal recall 超过 70%、association accuracy 超过 80%；到 80%—100% 时两者显著下滑。Orientation / visibility filtering 只能修正已发现实例，无法补回漏检。
• 过 / 欠分割：论文称 score + NMS 能过滤 88% under-segmentation 与 74% over-segmentation masks；仍有残余 mask contamination 进入点云。
• 弱纹理：最终 pose 依赖 geometric embedding，比纯视觉匹配稳；但 Discovery / Orientation 仍依赖 RGB DINOv2，对外观极相似 CAD 可能混淆。
• 深度噪声：centroid clustering 与 coarse-to-fine matching 提供一定容错，却没有显式 depth uncertainty、RGB-depth misalignment 或 missing-depth model。
• 透明 / 反光：论文未提供专门实验；此类材质会同时破坏 RGB template consistency 和 depth point cloud，是部署高风险对象。
• 对称物体：评价指标 symmetry-aware，但网络输出单 pose，未显式建模多解或 temporal consistency。
• CAD domain gap：Blender 比 Pyrender 略强，说明 render appearance 仍影响 Discovery；几何分支也默认 CAD surface 与实物几何一致。

7.7 贡献是否被实验支撑

作者声称	证据	判断
新物体无需重训即可完整 discovery + pose	Tables I—II 的 fully zero-shot block	基本支持
CAD prompt 比 text prompt 更适合 BOP 实例	Table I：30.4 / 37.8 对 15.0 mAP	支持
DOR feature matching 比 render-and-compare 高效	partial protocol 的时间与 Table V	支持特定实现对比，不宜泛化为所有 render-and-compare
Orientation filtering 改善 partial registration	Figure 8；Tables VI、VIII	证据充分
对 clutter / multiple instances 具有适用性	BOP7 定量与 Figure 7	基本支持，但缺少真实机器人闭环
约 50 倍速度提升	摘要与正文口径不完全一致	应引用具体表格时间，不直接复述倍率

8. 批判性分析

优点

• 问题定义完整：把 CAD-based novel-object segmentation 与 pose 放在同一评测表中，避免“模型可泛化、系统却还要人工 mask”的空缺。
• 三类 feature 的职责合理：global vision、local vision、metric geometry 沿任务难度逐层收紧，不让单一 representation 包办一切。
• Orientation 是有效中间变量：它不必精确到完整 pose，只需为下一步提供 visibility support，减少了离散模板密度。
• 几何可解释性强：point correspondence、weighted SVD、Chamfer ranking 都能被单独检查和替换。
• 消融覆盖成本：不仅报告 AR，还报告 onboarding、缓存、top-$k$ runtime 与 refiner time。

缺点

• 无官方代码：renderer convention、CAD unit、feature layer、voxel sizes、score thresholds、训练采样等复现细节难以确认。
• 三步独立：作者也明确承认 DOR 不能端到端联合训练；上游 confidence 没有被后端 pose error 直接校准。
• 完整系统仍较慢：无 refiner 4.81 s / image，带 refiner 85.9 s；适合离线 / 低频重定位，不适合高频控制环。
• 硬件与数据依赖：推理需要 RGB-D、metric CAD、内参和离线 renderer / cached prompts；8 张 V100 是论文报告的 synthetic pretraining 配置，不应当作部署最低硬件要求。
• 失败分析不足：缺少透明 / 反光、错误 CAD 尺度、深度空洞、RGB-depth misalignment、相似 CAD 库规模等压力测试。
• 速度表述需谨慎：摘要倍率与 Table II 可直接计算的倍率不一致，应保留具体 protocol 和秒数。

隐含假设

• CAD 与实物的尺度、几何和 object coordinate frame 一致，模板材质足以让 DINOv2 跨 sim-to-real 识别。
• 当前单帧有足够可见像素让 FastSAM 分割，也有足够非退化 3D 表面支持刚体配准。
• 目标库规模不会让所有 proposal 与所有 CAD templates 的匹配成本和 false-positive rate 失控。
• 相机内参、depth scale 和 RGB-depth registration 已可靠标定。

真实应用可行性

ZeroPose 适合仓储、工业 bin-picking、低频重定位等“目标 CAD 已知、RGB-D 可用、允许离线 onboarding”的场景。要进入闭环机器人系统，还需要：

• 以 tracking / temporal fusion 摊销每帧 FastSAM 与全局检索；
• 对 pose confidence、对称多解和遮挡失败做显式建模；
• 加入 CAD scale / depth calibration sanity check；
• 将 object library 检索做层级索引，避免 proposal 数 $\times$ 物体数 $\times$ 模板数线性增长；
• 在真实抓取 success rate、collision margin 与 latency 上评测，而不只看 BOP AR。

9. 未来工作与可改进方向

• 论文自身方向：构建大规模真实 pose 数据，探索将 Discovery、Orientation、Registration 端到端联合；把 detection、tracking、instance segmentation 与 pose 做 multi-task learning。
• 更稳的前端：同时保留多个 mask / object-ID hypotheses，让 registration geometry 反向验证，而不是在 Discovery 早期做不可逆 argmax。
• 可见性建模：用 differentiable rendering 或 learned visibility confidence 替代单一 discrete viewpoint，显式标注 self-occlusion、external occlusion 与 invalid depth。
• 几何 uncertainty：让 SVD correspondence weights 同时考虑 feature confidence、depth noise、surface normal 与 mask boundary distance。
• 对称感知：在 HGM loss 和 hypothesis ranking 中引入 symmetry-equivalent transforms，输出 pose set 或分布。
• CAD 质量鲁棒性：测试错误 scale、mesh simplification、缺失零件、材质不一致，并将 CAD alignment 误差纳入置信度。
• 速度：用轻量 proposal、scene feature cache、物体库 ANN retrieval 和 tracking，将完整 pipeline 从秒级降到视频可用。
• CAD-free 扩展：用少量 posed reference RGB-D 或 neural object field 替代 mesh，同时保持 metric scale。

10. 对我的研究的启发

• 可直接借鉴：将“object identity”“visibility support”“metric correspondence”分成三种 representation；把粗 orientation 用于缩小对应集合，而不是直接回归最终 pose。
• 必须加入的 baseline：若研究 RGB-D、known CAD、unseen instance 且需要自行找目标，应报告 ZeroPose、SAM-6D、MegaPose / FoundationPose，并统一 mask 来源与 refiner。
• 评测设计：至少拆成 GT / object-specific masks、external zero-shot masks、自有 zero-shot masks 三档；分别报告 discovery recall、ID accuracy、pose AR、onboarding time 和 end-to-end latency。
• 可形成切入点：让 segmentation 与 registration 双向验证；以多 hypothesis uncertainty 处理相似 CAD 与对称对象；将 visible-surface filtering 与 temporal tracking 结合。
• 复现实务：首先固定 BOP CAD units、renderer camera convention、depth scale 和内参；随后分开验证 templates、Discovery mAP、viewpoint error、correspondence accuracy、SVD pose，避免只看最终 AR。

11. 待解决问题

• 概念问题：作者的“fully zero-shot”是否把 DINOv2 / FastSAM 的大规模预训练数据潜在覆盖视为允许？与 training-free 方法应如何命名区分？
• 公式问题：weighted SVD 的 correspondence weights 如何从 fine matching score 标定，论文正文未给出足够实现细节。
• 实验问题：摘要 50 倍速度与 Table II 的直接比值为何不一致；是否含 onboarding、renderer、detector或 batch 设置差异？
• 泛化问题：GSO 训练 objects 与 BOP test objects 的形状近邻程度如何，是否存在近重复 CAD？
• 部署问题：当物体库扩展到数千 CAD、场景有数百 proposals 时，Discovery 的检索复杂度、内存与误检率如何变化？
• 复现问题：FastSAM point prompt 密度、NMS 细节、DINOv2 variant / layer、KPConv voxel scales、HGM architecture 与 checkpoint 均需要进一步核实。