Deep Learning-Based Object Pose Estimation: A Comprehensive Survey

目标姿态估计是计算机视觉领域中的一个基本问题，具有广泛的增强现实和机器人应用。在过去的十年中，由于其卓越的准确性和鲁棒性，深度学习模型越来越多地取代了依赖于工程化点对特征的传统算法。然而，当今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，在挑战性条件下的鲁棒性以及它们对新颖未见过的物体的泛化能力。最近缺少一篇综述讨论该领域在不同方面取得的进展、突出的挑战以及有前途的未来方向。为了填补这一空白，我们讨论了基于深度学习的目标姿态估计的最新进展，涵盖了问题的三种公式，即实例级别、类别级别和未见过物体的姿态估计。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，为读者提供了对该领域的全面了解。此外，它还讨论了不同域的训练范例、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性能，从而帮助读者选择最适合他们应用的方法。最后，该综述确定了关键挑战，审查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。我们还在 https://github.com/CNJianLiu/Awesome-Object-Pose-Estimation 跟踪最新作品。

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

本文综述了基于深度学习的物体姿态估计的最新进展，包括实例级别、类别级别和未见过物体的姿态估计等三种形式。同时，本文还讨论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等方面的问题，并提出了未来研究的方向。

本文综述了基于深度学习的物体姿态估计的最新进展，包括不同形式的姿态估计、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等方面的问题。同时，本文还讨论了训练模型、推理模式、应用领域、评估指标和基准数据集等方面，并提供了当前最先进的方法在这些基准数据集上的性能。

近期的相关研究包括：《PoseCNN: A Convolutional Neural Network for 6D Object Pose Estimation in Cluttered Scenes》、《BB8: A Scalable, Accurate, Robust to Partial Occlusion Method for Predicting the 3D Poses of Challenging Objects without Using Depth》、《Learning to Estimate 3D Human Pose and Shape from a Single Color Image》等。