CoordAR：一种通过自回归坐标图生成实现新颖物体的单参考6D姿态估计框架

物体6D姿态估计是机器人和增强现实应用中的关键任务，在处理3D模型难以获取的新颖物体时尤为具有挑战性。为减少对3D模型的依赖，近期研究探索了基于单参考视图的姿态估计方法，仅需一个参考视图即可，而非完整的3D模型。然而，依赖于实值坐标回归的现有方法由于卷积架构的局部性，导致全局一致性有限，同时在对称或遮挡场景中缺乏不确定性建模面临挑战。我们提出CoordAR，一种用于新颖物体单参考6D姿态估计的自回归框架。CoordAR将参考视图与查询视图之间的3D-3D对应关系形式化为离散标记的映射，通过自回归和概率化方式获得。为实现精确的对应坐标回归，CoordAR引入了：1)一种新颖的坐标图分词技术，使其能够对离散化3D空间进行概率预测；2)一种模态解耦编码策略，分别编码RGB外观和坐标线索；3)一种基于位置对齐查询特征和部分生成标记序列的自回归Transformer解码器。通过这些新机制，CoordAR在多个基准测试上显著优于现有方法，并在实际场景测试中展现出对对称性、遮挡及其他挑战的强大鲁棒性。