以下链接是个人关于DenseFusion(6D姿态估计) 所有见解，如有错误欢迎大家指出，我会第一时间纠正。有兴趣的朋友可以加微信：a944284742相互讨论技术。若是帮助到了你什么，一定要记得点赞！因为这是对我最大的鼓励。
姿态估计0-00：DenseFusion(6D姿态估计)-目录-史上最新无死角讲解https://blog.csdn.net/weixin_43013761/article/details/103053585
代码引导
没有办法，还是得把代码贴上来一下tools/train.py：
# 进行预测获得，获得预测的姿态，姿态预测之前的特征向量
# pred_r: 预测的旋转参数[bs, 500, 4]
# pred_t: 预测的偏移参数[bs, 500, 3]
# pred_c: 预测的置信度[bs, 500, 1]，置信度
#
pred_r, pred_t, pred_c, emb = estimator(img, points, choose, idx)
# 对结果进行评估，计算loss
loss, dis, new_points, new_target = criterion(pred_r, pred_t, pred_c, target, model_points, idx, points, opt.w, opt.refine_start)
# 如果已经对refiner模型进行了训练，则进行姿态的提炼预测，对结果进行评估计算dis，并且对dis反向传播
if opt.refine_start:
for ite in range(0, opt.iteration):
pred_r, pred_t = refiner(new_points, emb, idx)
dis, new_points, new_target = criterion_refine(pred_r, pred_t, new_target, model_points, idx, new_points)
dis.backward()
该篇博客，主要是对上面的refiner以及criterion_refine进行讲解，还是按顺序来，我们来看看refiner，假设这是第一执行refiner，那么其输入的new_points，emb来自于criterion函数的返回值。如果看了上篇博客，criterion返回的new_points，是经过逆转之后的points，如果看了前面的博客，可以知道这里的new_points相当于是points转换到相机的空间。其实这里可以理解为论文图示Figure 3的如下部分：
其中的points你可以理解（仅仅是理解，实际不是这样的）为下图：
中的transformed point cloud，然后呢，通过逆转，变成geometry embeddings = 代码中的new_points。现在呢我们拿到了geometry embeddings（new_points=空间信息），从图示中，我们可以知道，其还需要一个color embeddings（颜色信息），才能进行融合，如下：
这里的颜色信息从哪里来呢？他是由主干网络从当前特征抽取出来的color embeddings，也就是相当于源码中如下标记：
可以明确的看到，在迭代过程中emb一直都是从主干网络PoseNet抽取出来的color embeddings，没有做任何的改变，也符合了论文中的描述。但是这里的color embeddings也还是带有一些空间信息的，他的空间信息就是当前帧的空间信息。
前面说到new_points是points逆转之后的结果，但是color embeddings带有的少量空间信息是当前帧的（接近于points），所以出现了如下图示现象：
可以明显的看到，他们空间几何信息是不一样的。color embeddings=emb，geometry embeddings=new_points。他们既然空间信息不一样，那么我们就能对他进行pose的预测，对应论文图示如下部分：
可以看到color embeddings=emb（源码），geometry embeddings=new_points（源码）被送入了一个网络，然后进行姿态估算，也就是如下函数：
pred_r, pred_t = refiner(new_points, emb, idx)
得到新的估算姿态之后，他又和new_points（图示的current input point cloud）结合，把new_points进行偏转。本来new_points是points逆转过来的，又被偏转了回去，相当于又回到points状态，那么代码是怎么体现的呢？我们进入到criterion_refine函数，也就是lib/loss_refiner.py中的loss_calculation。我就不注释了啊 ，代码基本和lib/loss.py中的一样的，可以说是一个阉割的版本。如下代码
pred = torch.add(torch.bmm(model_points, base), pred_t)
就是一个转换的过程，对应图示如下部分：
前面说到，转换过去之后，还需要一个逆转的过程，如下代码：
ori_base = ori_base[0].view(1, 3, 3).contiguous()
ori_t = t.repeat(bs * num_input_points, 1).contiguous().view(1, bs * num_input_points, 3)
new_points = torch.bmm((points - ori_t), ori_base).contiguous()
new_target = ori_target[0].view(1, num_point_mesh, 3).contiguous()
ori_t = t.repeat(num_point_mesh, 1).contiguous().view(1, num_point_mesh, 3)
new_target = torch.bmm((new_target - ori_t), ori_base).contiguous()
根据我们前面对代码的解析，看到- ori_t，我们就知道这是一个逆转的过程了。也就是图示如下部分：
这样，是不是带着大家走完一次迭代了。后续的迭代也是同样的原理。还又就是对其的理解了。上一篇博客中，其实已经举了一个很形象的例子。中的来说，就是说主干网络初始估算的pose，是存在误差的，这些误差的原因呢，要么就是语义分割做的不好（如切割下来的掺杂着背景），要么，存在遮挡现象等一系列的原因。为了进行减少这个误差，所以构建了Iterative Pose Refinement，通过多次迭代之后，用新估算出来的姿态，取弥补这些误差。
其实，这个地方比较抽象，不懂的朋友可以点个赞，然后来找我讨论，随时都欢迎。再见了，看到这里的你，应该也不容易，一路辛苦了。
