SingRef6D：基于单张 RGB 参考图像的单目新物体位姿估计

近期的 6D 位姿估计方法展现了显著的性能，但仍然面临一些实际限制。例如，其中许多方法严重依赖传感器深度，这在具有挑战性的表面条件下（如透明或高反射材料）可能会失效。同时，由于缺乏几何信息，基于 RGB 的解决方案在低光和无纹理场景下提供的匹配性能较差。受此启发，我们提出了 SingRef6D，这是一个仅需单张 RGB 图像作为参考的轻量级流程，无需昂贵的深度传感器、多视图图像采集或训练视图合成模型和神经场。这使得 SingRef6D 在深度或密集模板不可用的资源受限环境下仍能保持稳健且有效。我们的框架包含两项关键创新。首先，我们提出了一种基于 token 缩放器的微调机制，并在 Depth-Anything v2 之上引入了新的优化损失，以增强其预测准确深度的能力，即使对于具有挑战性的表面也是如此。我们的结果显示，与 Depth-Anything v2（带有微调头）相比，在 REAL275 深度预测上取得了 14.41% 的提升（在 $\delta_{1.05}$ 中）。其次，得益于深度的可用性，我们引入了深度感知匹配过程，该过程有效地整合了 LoFTR 内的空间关系，使我们的系统能够处理具有挑战性的材料和光照条件下的匹配。在 REAL275、ClearPose 和 Toyota-Light 数据集上的位姿估计评估表明，我们的方法超越了现有最先进的方法，平均召回率提升了 6.1%。