3D 空间中的目标定位是单目 3D 目标检测的一个具有挑战性的方面。 6DoF 姿态估计的最新进展表明，预测图像和对象 3D 模型之间的密集 2D-3D 对应图，然后通过 Perspective-nPoint (PnP) 算法估计对象姿态可以实现显着的定位精度。然而，这些方法依赖于目标的几何真值的训练，这在真实的户外场景中很难获得。为了解决这个问题，我们提出了 MonoRUn，这是一种新颖的检测框架，它以自监督的方式学习密集对应关系和几何图形，并带有简单的 3D 边界框注释。
单目 3D 目标检测是计算机视觉中一个活跃的研究领域。尽管基于深度学习的 2D 对象检测取得了显着进展 [3, 30]，但 3D 对应物仍然对准确的对象定位提出了更大的挑战，因为 单个图像无法提供明确的深度信息 。为了解决这个问题，大量工作利用几何先验并通过 2D-3D 约束解决对象姿态（相机帧中的位置和方向）。