物体の6次元姿勢推定においては基本的にCADモデルが必要であったが、それが無い状態で推定するという新たな課題にチャレンジしている。ネットワークはMaskRCNNをベースにしており、クラスラベルとインスタンスマスク、正規化されたオブジェクトのマップをRGB画像から推定し、その2次元のマップと深度データから姿勢推定を行う。

CADモデルが必要な従来手法(RGBのみ)との比較を行っており、本手法は深度データを用いているが、CADモデル無しで従来手法よりも精度が高い結果を示している。問題として、上の評価では2D射影したものに対して評価しており、今後は6次元の姿勢における精度向上が課題となっている。