遮挡感知 6D 位姿估计论文解读：深度引导图编码与跨语义融合如何服务机器人抓取

Date 2026-11-04 · Category blog · Status finished · Confidence likely

论文解读, 6D 位姿估计, 机器人抓取

机器人抓取需要的不只是“物体在哪”，而是完整的 6D 位姿：三维位置 + 三维朝向。遮挡是这条链路最现实的失败模式：目标被其他物体挡住一部分，关键点缺失、轮廓不完整，位姿就容易漂。ICRA 2025 的这篇工作没有直接回归 $R, t$ ，而是把问题拆成两件事：用深度引导的图建模表面点之间的关系，用 mask 和二进制码两种语义建立 2D-3D 对应，最后用 PnP 解位姿。

本文按“动机—方法—实验—边界”展开。图片截取自原论文，版权归原作者与 IEEE；图 2 的编号标注与图 4 的局部放大为本文整理，仅用于学习解读。实验数字来自作者报告，未经独立复现。

论文信息与关键术语

项目	信息
论文题目	Occlusion-aware 6D Pose Estimation with Depth-guided Graph Encoding and Cross-semantic Fusion for Robotic Grasping
作者	Jingyang Liu、Zhenyu Lu、Lu Chen、Jing Yang、Chenguang Yang
发表信息	2025 IEEE International Conference on Robotics and Automation（ICRA），Atlanta，2025-05-19～23，pp. 5011–5016
DOI	10.1109/ICRA55743.2025.11128248
任务	从单帧 RGB-D 估计已知物体的 6D 位姿，面向机器人抓取
数据	LMO（LINEMOD-Occluded）、YCBV（YCB-Video）；真实 RealSense + UR5e 场景
指标	ADD(-S) recall；平均处理时间
对比方法	GDR-Net、SO-Pose、ZebraPose、PR-GCN、FFB6D、SegDriven
关键组件	depth-guided graph、mask、binary code、PnP

术语	含义	在本文中的作用
6D 位姿	3D 位置 + 3D 朝向，通常写成 $R, t$	机器人抓取的输出
RGB-D	彩色图 + 深度图	外观 + 几何
CAD keypoint	CAD 模型上的 3D 点	二进制码的身份锚点
Binary code	每个关键点一个 $d$ 位 0/1 码	逐像素预测，匹配 2D-3D
Mask	可见区域的前景概率	区域先验，过滤背景/遮挡物
GNN	图神经网络	建模表面点之间的关系
PnP	用 2D-3D 点对解相机位姿	最终 $R, t$
ADD(-S)	6D 位姿召回指标，对称物体用最近点距离	越高越好

动机：遮挡破坏的是“证据”和“关系”

抓取是机器人交互的基础能力，6D 位姿是视觉到抓取的关键接口。遮挡下，目标的一部分没有观测，外观和关键点证据同时缺失；如果网络只从全局 RGB 特征直接回归 $R, t$ ，它没有显式约束去推断被挡部分，位姿容易多解。

论文把现有方法分成四类，并逐一指出缺口：

模板 / 手工特征：依赖人工设计的特征和模板匹配，遇到对称物体和遮挡容易失效。
直接回归 / 关键点 + PnP：依赖纹理和可见关键点；遮挡下关键点投票会漂，而且很少显式建模表面点之间的非邻接关系。
遮挡专用技巧：amodal mask、多尺度融合、二值化卷积、隐藏特征预测等，提升了鲁棒性，但更多是把遮挡当噪声去增强特征，没有把“可见点如何约束不可见点”变成结构。
已有 GNN 方法：有的主要用深度，有的主要用 RGB，或者面向 LiDAR 点云；没有把 RGB 语义、深度几何、mask/code 两类语义放进一个框架。

作者的切入点是：物体表面点不是独立的，可见部分的相对几何仍然约束整体。深度提供几何，图提供关系传播，mask 和二进制码提供“哪里”和“哪个点”。

图1｜论文 teaser：RGB-D 输入、深度特征构图、GNN 预测二进制码，码与 CAD 关键点匹配后 PnP

图1｜论文 teaser。左边 RGB 和 Depth 都不完整；中间用深度特征参与构图，GNN 在表面点关系上传播；右边每个 CAD 关键点对应一串唯一二进制码，网络预测码图，再通过码匹配 + PnP 得到位姿。图片截取自原论文。

这张图把动机视觉化了：遮挡掉一部分并不可怕，只要可见像素还有“身份码”和“几何关系”可用。作者希望网络不是“猜”被挡部分，而是用可见部分的身份和几何去约束位姿。

方法总览：三路特征、两次融合、一个求解器

图2｜论文方法总览（本文加了 ①–⑦ 阶段编号）

图2｜方法总览。① 采集/裁剪；② RGB 支路出 mask 特征、码特征和 visual word；③ Depth 支路出几何特征；④ 深度引导图编码；⑤ 码→mask；⑥ mask→码；⑦ 匹配 + PnP。原图来自论文，编号与中文说明为本文整理。

Fig. 2 里其实有两层“分支”，先分清：

外层：RGB 支路 vs Depth 支路（两条模态支路）。
RGB 支路内部：mask 支路 vs binary code 支路（两条语义支路）。

后面的图编码、两次融合、PnP 都是为这两层分支服务的。数据流可以写成：

RGB-D → 检测/裁剪
   ├─ RGB   → X_rgb（图节点）、X_mask（区域）、B_rgb（身份码）
   ├─ Depth → X_depth（几何）
   └─ X_rgb + X_depth + X_mask → 图 → B_graph（图增强码）

B_graph + B_rgb + X_mask → 两次跨语义融合 → B
B → 码本匹配 → 2D-3D 对应 → PnP → R,t

$X_{ma s k}$ 是怎么来的

一句话：RGB crop → 共享 backbone → mask head → $X_{ma s k}$ 特征图 → 1×1 卷积 + sigmoid → 可见 mask； $L_{ma s k}$ 监督。

$X_{ma s k}$ 是 mask 分支的特征图，不是最终二值 mask；最后接一个 1×1 卷积 + sigmoid，才得到 1 通道的可见 mask 概率图，阈值化后才是黑白 mask。
论文没有展开 mask head 的具体结构；概念上就是一个轻量分割头。
它是 visible mask，不是 amodal mask：瓶子被盒子挡住时，被挡部分在 mask 里是 0，不补全。
实验里用预训练 FCOS 提供分割结果来初始化区域提取/裁剪；FCOS 不等于 $X_{ma s k}$ ， $X_{ma s k}$ 是姿态网络内部学的 mask 特征。
$X_{ma s k}$ 有两个阶段：初始版在 Eq. 1 里过滤深度；Eq. 3 用码更新后的版本，再在 Eq. 4/5 里门控码。

二进制码是怎么来的

一句话：CAD 关键点 → 每个关键点一个唯一的 $d$ 位二进制码（码本）；code head 从同一组 RGB 特征预测 $B_{r g b}$ ；图模块增强为 $B_{g r a p h}$ ；融合为 $B$ ； $B$ 与码本匹配得到 2D 位置，再和 3D 关键点做 PnP。

码是逐像素的 $d$ 位向量；每个像素的码 = 它所属关键点的 ID。
码不是 mask：mask 是 1 通道前景概率；code 是 $d$ 通道的“关键点身份证”。mask 回答“哪里是物体”，code 回答“是物体的哪个 3D 点”。
码本、关键点数量、码长 $d$ 、匹配细节，论文都没有展开；这是复现时要确认的。

用分割来类比：

mask = 二类前景分割，1 通道；
code = K 类关键点 ID 分割，标签用 $d$ 位二进制码表示， $d$ 通道，损失用 Hamming；
mask 是所有关键点区域的并集；code 是对这个并集的划分。
code 的 $d$ 个通道是 bit plane：单独看一层没有语义，叠起来才是“哪个关键点”。

维度	Mask	Code
输出形式	1 通道前景概率	$d$ 通道码向量
语义	区域/轮廓	关键点身份
粒度	物体级	点级
空间变化	物体内基本一致	不同位置不同
监督	$L_{ma s k}$ ：可见 mask 的 L1	$L_{co d e}$ ：逐位 Hamming
作用	筛背景/遮挡物、过滤深度、门控码	建立 2D-3D 对应，供 PnP
遮挡下	只覆盖可见部分	可见像素仍提供关键点身份

深度引导图编码：把“表面点关系”变成结构

图3｜Depth-guided Feature Enhancement 模块

图3｜图编码细节。RGB 分块作为节点，深度参与构图和节点更新，GraphConv 聚合邻居差异，FFN 防止过平滑。图片截取自原论文。

图模块解决的是“非邻接关系”。遮挡会把同一物体的可见部分在图像上分开；CNN 的局部卷积只能看邻域，图可以把空间上不相邻、但属于同一物体的块连起来。深度在这里的作用是让图“带几何”，而不是只按外观相似度连边。

具体做法：

节点：把 RGB 特征图切成 $N$ 个局部块，每块压成 $D$ 维向量 $x_{i}$ ，得到 $X = [x_{1}, \dots, x_{N}]$ ；每个 $x_{i}$ 对应图节点 $v_{i}$ 。这就是论文说的 visual word，类似 ViT 的 patch token，但这里是 CNN 特征块。
连边：对每个节点 $v_{i}$ 取 $K$ 个最近邻，形成有向边 $e_{j i}$ ，得到稀疏图 $G = (V, E)$ 。KNN 是前向构图步骤，不是可学习参数。
图卷积：对节点 $v_{i}$ ，先算它与邻居的差异，再 Aggregate/Update；用差异而不是简单求和，是为了强调相对关系。
FFN：图卷积后接 FFN，防止深层 GNN 的过平滑，同时把节点特征映射到码空间。

对应公式：

Y = σ (GC (X_{r g b} W_{in}, X_{d e pt h} ⊙ X_{ma s k}) W_{o u t} + X_{r g b})

B_{g r a p h} = σ (Y W_{1}) W_{2} + Y

Eq. 1 里四项的作用分别是：

$X_{r g b} W_{in}$ ：把 RGB 节点特征投影到图空间；
$X_{d e pt h} ⊙ X_{ma s k}$ ：用 mask 把深度几何限制在目标区域，作为图卷积的几何引导；
$W_{o u t}$ ：把图卷积输出投影回与 $X_{r g b}$ 相同的维度，才能做残差；
$+ X_{r g b}$ ：残差保留外观信息，避免图卷积把 RGB 特征冲掉。

Eq. 2 是图 3 中 FFN 的抽象写法；图 3 给出的具体结构是 Conv2D → BN → GeLU → Conv2D → BN → Dropout。残差 $+ Y$ 的作用和 Transformer FFN 类似：保留节点差异性，防止过平滑。

参数 vs 张量： $W_{in}$ 、 $W_{o u t}$ 、 $W_{1}$ 、 $W_{2}$ 、 $W_{a g g}$ 、 $W_{u p d a t e}$ 、Conv2D 卷积核是可学习参数； $X_{*}$ 、 $B_{*}$ 、 $Y$ 是前向计算出的张量； $α = 3$ 是超参数，不是学出来的。

遮挡下的直观作用：比如瓶子中段被盒子挡住，瓶颈和瓶底还可见。CNN 的局部卷积很难直接把颈和底联系起来；如果图能把它们连起来（取决于 KNN 和深度引导），深度告诉它们的三维相对位置，GraphConv 就可以把一侧的码信息传给另一侧。这样被挡中段的码不是凭空猜，而是被可见两端的几何关系约束。

但要看清一个边界：论文动机说的是“surface points”，实现上是 RGB 局部块节点 + 深度引导，是 2D patch 图上的近似，不是真正的 3D 表面图/点云图。它更像一个“2.5D 图”：节点是外观，边/更新是几何。遮挡把可见块在 2D 上分开时，KNN 是否能把它们连起来，论文没有专门分析。

跨语义融合：先码引导 mask，再 mask 引导码

这是标题里 “cross-semantic fusion” 的核心。两个模块的方向正好相反：

模块	谁引导谁	公式	作用
Encoding-guided Mask Pooling	码 → mask	Eq. 3	用码响应找目标区域，更新 mask 特征
Mask-guided Encoding Fusion	mask → 码	Eq. 4/5	用 mask 可靠性筛码，残差保留信息

Encoding-guided Mask Pooling（Eq. 3）

X_{ma s k} = B_{g r a p h} ⊙ softmax_{j} (Conv2D (B_{g r a p h} ⊙ X_{ma s k}))

分三步看：

$B_{g r a p h} ⊙ X_{ma s k}$ ：码特征和 mask 特征先逐元素相乘，让码初步调制 mask。
Conv2D + softmax：在所有像素位置 $j$ 上做空间 softmax，得到一个权重图；响应越像目标的区域权重越大。
再乘回 $B_{g r a p h}$ ：得到更新后的 mask 特征，聚焦到目标区域。

注意这里的 softmax 是空间竞争：所有像素权重和为 1，最像目标的区域会被放大；这和后面 Eq. 4/5 的 sigmoid 逐位置门控不一样。论文把它叫 “pooling”，但从公式看更像软空间注意力/软选择，不是常见的 max/avg pooling。

Mask-guided Encoding Fusion（Eq. 4/5）

B^{'} = (B_{g r a p h} ⊙ B_{r g b}) ⊙ sigmoid (Conv2D (X_{ma s k}))

B = sigmoid (Conv2D (X_{ma s k})) ⊙ Conv2D (X_{ma s k}) + B^{'}

Eq. 4：先把 $B_{g r a p h}$ 和 $B_{r g b}$ 两路码逐元素相乘，做一次“码-码”融合；再乘 mask 门控，只保留目标区域的码响应。这里的 $X_{ma s k}$ 是 Eq. 3 更新后的 mask 特征。
Eq. 5：把门控后的 mask 特征作为残差加回 $B^{'}$ ，得到最终融合码 $B$ 。残差的作用是防止门控把信息完全压掉，保证 mask 信息有一条旁路。

为什么先 Eq. 3 再 Eq. 4/5？ 从数据流看，作者是先用码把 mask 聚焦，再用聚焦后的 mask 去筛码；顺序不是随便的。如果先用未聚焦的 mask 去门控码，背景/遮挡物的错误会被放大。

符号复用要小心：Eq. 1 里的 $X_{ma s k}$ 是初始 mask 特征；Eq. 3 等号左边是更新后的版本；Eq. 4/5 用的是更新后的版本。论文没有换符号，读的时候要按阶段区分。

监督与位姿求解：Hamming + PnP

L_{co d e} = j = 1 \sum d w_{j} \cdot Hamm (B_{j}, \hat{B}_{j})

L_{t o t a l} = L_{ma s k} + α L_{co d e}, α = 3

$L_{ma s k}$ ：可见 mask 的 L1，只在目标区域内计算。
$L_{co d e}$ ： $d$ 位码的加权 Hamming 距离； $w_{j}$ 是第 $j$ 位的权重，论文没有展开具体设定。
$α = 3$ ：按 trial and error 设定；从权重看，码损失是主监督，mask 更像是辅助约束。
图模块和融合模块没有额外监督，它们靠 $L_{ma s k} + L_{co d e}$ 端到端训练。也就是说，图学到的“关系”是为了让码/mask 更准，而不是显式的 3D 几何监督。

最后，融合码 $B$ 与 CAD 关键点码匹配，得到 2D-3D 对应点，PnP 解出 $R, t$ 。网络不直接回归旋转和平移，几何约束留给 PnP——这也是它和“直接回归位姿”的方法在思路上的根本区别。

论文没有展开的细节：码本如何生成、码长 $d$ 、关键点数量、匹配算法、外点剔除、Hamming 不可导时怎么反传、 $K$ 和 $D$ 的取值、backbone 结构。这些是复现时要先确认的。

实验：遮挡重时优势更明显，但平均提升有限

设置

数据集：LMO（LINEMOD-Occluded）和 YCBV（YCB-Video）。
训练：真实 + 合成数据，比例约为 1:9；RTX 3090；学习率 0.0001。
分割：预训练 FCOS 提供初始分割/区域提取；位姿用 PnP。
指标：ADD(-S) recall；平均处理时间。

主结果

数据集	本文	最强对比	说明
LMO	78.1	ZebraPose 76.9	平均 +1.2
YCBV	82.4	ZebraPose 80.5	平均 +1.9

论文报告的单物体提升更醒目：YCBV 的 Obj_02 从 62.6 到 95.5（+32.9），Obj_11 从 71.2 到 88.0，Obj_37 从 71.8 到 81.3；LMO 的 ape 从 57.9 到 61.1。摘要里的 “up to 30%” 指的就是这类单物体提升，不是平均值。

速度方面：本文约 279 ms/物体，比 ZebraPose 的 250 ms 慢 29 ms；比 FFB6D 的 75 ms、GDR-Net 的 65 ms 慢很多。它适合准静态抓取，不是高速动态抓取。

也要看到反例：YCBV 上 ZebraPose 在 Obj_05（80.5 vs 72.1）、Obj_07（70.5 vs 54.3）、Obj_61（99.3 vs 88.0）等物体上仍然更高；LMO 的 holepuncher，PR-GCN 97.2，本文 83.5。平均更高不等于每个物体都更好。

消融

配置	LMO ADD(-S)
baseline	76.9
+ Depth-guided Feature Enhancement	77.1
+ Encoding/Mask-guided Module	77.2
both	78.1

单独加图模块 +0.2，单独加 mask/encoding +0.3，两个一起 +1.2。增益不是简单相加，说明两者有互补/协同；但单个模块的增益很小，方法的价值集中在遮挡重的物体上。

定性结果：Fig. 4 怎么读

图4｜YCBV 定性结果，蓝色 GT，绿色预测

图4｜YCBV 定性结果。蓝线为 GT，绿线为预测；右下角数字是该物体在 YCBV 上的平均 ADD(-S) recall，不是这一帧的分数。图片截取自原论文。

先记住三个读图规则：

6 行 = 6 个 YCBV 物体/示例帧；4 列 = SegDriven、GDR-Net、ZebraPose、Ours。
蓝框 = GT，绿框 = 预测；看两者是否重合。框是 3D bounding box，不是 2D 检测框。
右下角绿色数字条 = 该物体的平均 ADD(-S) recall；对照 Table II 可以一一对上。

前 3 行是中等遮挡/杂乱场景，基线也不弱；后 3 行遮挡更重，差距拉大：

第 4 行（芥末瓶被蓝色水壶挡住）：16.6 / 64.1 / 71.2 / 88.0；SegDriven 绿框太小/偏移，GDR-Net 倾斜，ZebraPose 接近但仍偏，Ours 贴住瓶身。
第 5 行（紫色盒子被罐子挡住）：27.7 / 59.5 / 87.6 / 96.0；Ours 与蓝框基本重合。
第 6 行（黄色盒子被蓝色杯子挡住）：17.1 / 3.9 / 71.8 / 81.3；GDR-Net 绿框完全跑偏，Ours 最好。

图5｜Fig. 4 第 4–6 行放大

图5｜Fig. 4 第 4–6 行放大，遮挡最重的三个例子。图片截取自原论文，局部放大为本文整理。

读图 caveat：这 6 行都是 Ours 最高的例子；Table II 里也有 ZebraPose 更高的物体。6 行是不同物体，不是同一物体的不同遮挡等级，不能当成受控的“遮挡梯度实验”。图是定性示例，定量结论仍看 Table II 和消融。

真实场景：Fig. 5 / Fig. 6

图6｜真实场景位姿估计与模型渲染

图6｜真实场景位姿估计与模型渲染。绿色 3D 框为预测位姿；没有蓝框 GT，属于定性验证。图片截取自原论文。

图7｜自建虚拟场景的严重遮挡/重叠

图7｜自建虚拟场景的严重遮挡/重叠。图片截取自原论文。

Fig. 5 的读法：

真实场景：Intel RealSense + UR5e；桌上放着紫色瓶子、香蕉、罐子等杂物。
绿色 3D 框 = 预测位姿渲染到图像上，不是 2D 检测框；它显示位置、朝向、尺度。
左图瓶子较完整；右图瓶子被香蕉/杂物遮挡更多；两张图的绿框都贴住瓶子的几何轮廓。
没有蓝框 GT：真实场景没有 ground truth，所以这是定性验证，不是定量对比。

它证明了什么：方法不只在 LMO/YCBV 上有效，在真实 RealSense/UR5e 场景里也能跑出合理的 6D 位姿；被遮挡的瓶子，绿框仍然贴住物体。它没证明什么：只有两个典型场景，没有定量误差/成功率，没有失败案例，不是真实世界 benchmark；按方法设定，目标需要 CAD/关键点，这是已知物体的验证，不是开放世界泛化。

创新与边界：哪些是新的，哪些不是

真正的贡献

把“表面点关系”显式建成图：不是只加一个深度分支，而是用深度引导图，让码特征带邻域几何一致性。
mask 和 binary code 的双向融合：码引导 mask 找关键区域，mask 门控码去掉背景/遮挡物；两个方向不是简单的 concat。
保留 PnP 的几何求解链：网络负责建立对应，位姿由 PnP 解，解释性比直接回归好。
遮挡场景的系统验证：LMO/YCBV + 真实/虚拟场景，至少把“遮挡”作为主线，而不是只报平均。

需要打折的地方

二进制码本身不是本文独有：ZebraPose 一类工作也用 binary code；本文的增量主要是“图增强码 + mask 门控码”，不是码本身。
动机是 3D 表面点，实现是 2D patch 图：节点是 RGB 局部块，深度只是引导；遮挡把可见块在 2D 上分开时，KNN 是否连通没有分析。
mask 是 visible mask，不是 amodal：不补全被挡部分；可见关键点太少时 PnP 会欠约束。
依赖深度和检测/分割：透明/反光物体、深度缺失时，图的几何引导会退化；FCOS/检测误差会传导。
逐物体 CAD/关键点：需要 CAD 模型和码本，不是 category-level 或开放世界方法。
实现细节缺失：码本、 $d$ 、 $K$ 、 $D$ 、backbone、匹配/外点、Hamming 反传都没有展开。
速度 279 ms：比 ZebraPose 慢 29 ms，适合准静态抓取。
平均提升有限：LMO +1.2、YCBV +1.9；单物体提升大，但 Table II 里有不少物体不如 ZebraPose。
真实实验是定性：Fig. 5 只有两个典型场景，没有量化真实世界 benchmark。
输入模态不完全一致：对比方法里既有 RGB-only，也有 RGB-D/点云方法；本文用 RGB-D，深度是额外信息，读数字时要注意。

如果审稿，我会问

增益到底来自深度、图，还是 mask/code 融合？需要 RGB-only、RGB-D、无图、无 mask 的同架构消融。
图真的能把被遮挡物分开的可见块连起来吗？需要图连通性/注意力可视化，而不只是最终位姿。
mask 质量差时性能掉多少？用 FCOS 噪声 mask 或人工扰动做鲁棒性实验。
深度缺失/噪声/透明物体时怎么办？论文没有覆盖。
码匹配的外点率、PnP 内点率、匹配失败案例是多少？这些对实际部署很关键。

结论

这篇论文的定位很清楚：不是提出一种全新的位姿表示，而是把“深度引导图 + mask/code 跨语义融合”组合成一个遮挡感知的 RGB-D 6D 位姿框架。 它的动机—设计—实验是自洽的：遮挡导致可见证据不完整，就用可见点的身份码和几何关系去约束位姿；mask 提供区域可靠性，code 提供 2D-3D 对应，graph 提供关系传播，PnP 负责几何求解。

如果把它当应用/系统论文看，它是有价值的：遮挡主线明确、LMO/YCBV 都有提升、真实机器人场景有验证、速度还能接受。
如果把它当方法论文看，它的新意有限：二进制码与 ZebraPose 同源，图是 2D patch 图，平均提升只有 1–2 个点，很多实现细节没有展开。

最值得记住的结论是：遮挡下不是“把被挡部分补出来”，而是“用可见部分的身份 + 几何关系去约束位姿”。 这也是 mask、code、graph 三个组件真正的分工。

参考来源

Liu, J., Lu, Z., Chen, L., Yang, J., & Yang, C. (2025). Occlusion-aware 6D Pose Estimation with Depth-guided Graph Encoding and Cross-semantic Fusion for Robotic Grasping. 2025 IEEE International Conference on Robotics and Automation (ICRA), 5011–5016. DOI: 10.1109/ICRA55743.2025.11128248
Su, Y., Saleh, M., Fetzer, T., Rambach, J., Navab, N., & Stricker, D. (2022). ZebraPose: Coarse to Fine Surface Encoding for 6DoF Object Pose Estimation. CVPR 2022.
Guo, S., Dang, J., Wang, Y., et al. (2021). GDR-Net: Geometry-Guided Direct Regression Network for Monocular 6D Object Pose Estimation. CVPR 2021.
He, Y., Huang, H., Fan, H., Chen, Q., & Sun, J. (2021). FFB6D: A Full Flow Bidirectional Fusion Network for 6D Pose Estimation. CVPR 2021.
Hu, Y., Hugonot, J., Fua, P., & Salzmann, M. (2019). Segmentation-Driven 6D Object Pose Estimation. CVPR 2019.
Hodan, T., Michel, F., Brachmann, E., et al. (2018). BOP: Benchmark for 6D Object Pose Estimation. ECCV 2018.

图片说明：图1–图4、图6–图7 截取自原论文，版权归原作者与 IEEE；图2 的编号标注、图5 的局部放大为本文整理，仅用于学习解读。