Deep Learning-Based Object Pose Estimation: A Comprehensive Survey

物体姿态估计是计算机视觉中的一个基本问题，具有广泛的增强现实和机器人应用。在过去的十年中，由于其优越的准确性和稳健性，深度学习模型逐渐取代了依赖于工程化点对特征的传统算法。然而，当代方法仍然存在一些挑战，包括它们对标记训练数据的依赖性，模型紧凑性，在挑战性条件下的稳健性以及它们对新颖未见过的物体的泛化能力。缺少一篇关于这个领域不同方面的进展、突出挑战和有前途的未来方向的综述。为了填补这一空白，我们讨论了基于深度学习的物体姿态估计的最新进展，涵盖了问题的三种公式，即实例级、类别级和未见过的物体姿态估计。我们的综述还涵盖了多种输入数据模态、输出姿态的自由度、物体属性和下游任务，为读者提供了对这个领域的全面理解。此外，它还讨论了不同领域的训练范式、推理模式、应用领域、评估指标和基准数据集，以及报告了当前最先进方法在这些基准数据集上的性能，从而帮助读者选择最适合其应用的方法。最后，该综述确定了关键挑战，评估了当前流行趋势及其优缺点，并确定了未来研究的有前途的方向。我们还在 https://github.com/CNJianLiu/Awesome-Object-Pose-Estimation 上跟踪最新的研究工作。

深度学习在物体姿态估计中的应用存在的问题和挑战是什么？如何解决这些问题和挑战？

本文综述了深度学习在物体姿态估计中的最新进展，包括三种问题的解决方案：实例级别、类别级别和未见过物体姿态估计。同时，本文探讨了多种输入数据模态、输出姿态自由度、物体属性和下游任务，提供了读者全面的了解。本文还讨论了不同域的训练范式、推理模式、应用领域、评估指标和基准数据集，并报告了当前最先进方法在这些基准测试中的表现，从而帮助读者选择最适合其应用的方法。最后，本文确定了关键挑战，回顾了当前趋势及其优缺点，并确定了未来研究的有前途的方向。

本文的亮点包括覆盖多个物体姿态估计问题的解决方案，以及涉及的多个数据模态和下游任务。此外，本文还提供了大量基准数据集和最先进方法的性能比较。最后，本文还跟踪了最新的工作，并提供了开源代码的链接。

最近的相关研究包括：DeepIM和PVNet等方法用于实例级别物体姿态估计，以及PoseCNN和DPOD等方法用于类别级别和未见过物体姿态估计。