proxypose

ProxyPose是一个基于视频到视频翻译的6自由度（6-DoF）物体姿态跟踪方法，通过单点交互式标注实现端到端的稠密位姿轨迹估计。其核心采用LoRA微调的大规模视频生成模型（Wan2.1-T2V），将用户在首帧点击的像素点作为查询，联合深度先验（可选Depth Anything 3）输出连续帧中该点对应物体的完整6D位姿序列。技术上融合生成式建模与几何约束，无需训练专用检测器或关键点网络，支持开箱即用的零样本姿态跟踪。适用于AR/VR内容锚定、机器人视觉伺服、工业零件位姿监控等需轻量级、交互式、单点引导的6D跟踪场景。