画像から物体の6次元姿勢を推定することは、ロボット操作や仮想現実などの様々な応用において重要な問題です。画像を直接物体の姿勢に回帰する方法は精度が限られていますが、物体のレンダリングされた画像と観測された画像をマッチングすることで、高精度な結果を得ることができます。本研究では、6次元姿勢マッチング用の新しい深層ニューラルネットワークであるDeepIM（ディープアイエム）を提案します。初期姿勢推定が与えられた場合、当該ネットワークはレンダリングされた画像と観測された画像のマッチングを通じて、反復的に姿勢を洗練することができます。ネットワークは、3次元位置と3次元向きの絡み合わない表現および反復的な学習プロセスを使用して相対的な姿勢変換を予測するように訓練されます。6次元姿勢推定で一般的に使用される2つのベンチマークでの実験により、DeepIMが最先端手法に対して大幅な改善を達成していることが示されました。さらに、DeepIMが以前に見たことのない物体にも対応できることも確認しました。