GNC-Pose：面向精确6D姿态估计的几何感知GNC-PnP方法

我们提出了GNC-Pose，一个完全无需学习的单目6D物体姿态估计流水线，适用于纹理物体，它结合了基于渲染的初始化、几何感知对应加权和鲁棒的GNC优化。从通过特征匹配与基于渲染的对齐获得的粗粒度2D-3D对应出发，我们的方法基于梯度非凸性（Graduated Non-Convexity, GNC）原理，并引入了一种几何感知的、基于聚类的加权机制，根据模型的3D结构一致性为每个点分配鲁棒的置信度。该几何先验与加权策略显著稳定了严重离群污染下的优化过程。最终的LM精化进一步提升了精度。我们在YCB物体与模型集上测试了GNC-Pose，尽管无需学习特征、训练数据或类别特定先验，GNC-Pose在精度上与学习方法和无学习方法均具有竞争力，并为无学习6D姿态估计提供了一个简单、鲁棒且实用的解决方案。