最近看了几篇6D姿态估计的文章，对他们做个分类。
6D姿态估计做的就是估计出物体相对于相机的姿态，比如translation,rotation.
6D姿态估计就是估计出物体相对于相机的姿态。他们有几种分类方式

• 1 实现方式分：1）vote 估计方式 2）keypoint方式 3）latent space方式。
• 2 问题设置分：1） seen object pose estimation； 2） unseen object pose estimation
• 3 input分：1）rgb only; 2) depth only; 3) rgb and depth

评价指标

通常都用 average distance metric
用$R$表示gt的rotation,$T$表示gt的translation,用$\hat{R}$表预测的rotation, $\hat{T}$ 表预测的translation
$d=\frac{1}{m}{\sum }_{x\in M}||(Rx+T)-(\hat{R}x+\hat{T})$
$M$ denotes the set of 3D model points and $m$ is the number of points

对于对称物体
$d=\frac{1}{m}{\sum }_{x_1\in M}mi{n}_{x_2\in M}||(R{x}_1+T)-(\hat{R}{x}_2+\hat{T})$
这里可以理解为不用每个点都对应上，而是对应到最像的那个位置。

1、vote方式

1.1 PoseCNN: A Convolutional Neural Network for 6D Object Pose Estimation in Cluttered Scenes

文章的创新点是

• 1.提出了PoseCNN,PoseCNN物体的中心点是通过每个像素点投票得到，可以很好地处理遮挡问题。

这篇文章中translation部分，先通过投票得到物体的中心，再预测物体距离相机的距离。rotation部分通过回归得到。
PoseCNN分成了特征提取和后面的multi task学习。有labels,translation,rotation学习。

1.1.1 label分支，对每个pixel预测他所属的类的分数

1.1.2 translation分支

• 1 霍夫投票层：用于确定中心点。首先采样物体中心点，两个像素点预测的中心点方向的交线就是中心点。然后该类的所有点会对中心点投票得分，得分代表了该pixel是中心的可能性。得到图片上的中心位置后，可以通过坐标系转化的关系，得到物体相对相机的$(x,y)$位置。
• 2 深度：内部点的深度平均值。

1.1.3 rotation分支

rotation用上了上面霍夫投票的bounding box,还用了第一阶段的分割信息，对前面提取的特征进行了’crop and pooling’，然后预测了每个类的方向。

1.2 DenseFusion: 6DObject Pose Estimation by Iterative Dense Fusion

1.3 PVNet: Pixel-wise Voting Network for 6DoF Pose Estimation

这一篇发在2019的CVPR

2 keypoint方式

3 latent space 方式

这个方法主要用在unseen object pose estimation。

3.1 Learning Canonical Shape Space for Category-Level 6D Object Pose and Size Estimation

这篇文章的思路很正。
在FoldingNet的编码器和解码器之间添加一个采样层，将他转成为VAE。（用上VAE网络的泛化性能应该更好？）
Canonical Shape Space部分训练的时候用Canonical point cloud训练。这部分训练出vae和重建
Learning view-factorizing RGBD embedding，加上场景中的rgb和depth图（mask-rcnn)

未完待续。。。