本論文では、単眼RGB-D画像からカテゴリレベルの6次元姿勢とサイズ推定に焦点を当てています。従来の手法は、効率的なカテゴリレベルの姿勢特徴量抽出が不十分であり、精度と推論速度が低いという問題がありました。この問題に対処するため、我々は6次元姿勢推定に向けた効率的なカテゴリレベル特徴量抽出を実現する高速形状ベースネットワーク（FS-Net）を提案します。まず、潜在特徴量抽出のために3Dグラフ畳み込みを使用した向き認識オートエンコーダーを設計しました。学習された潜在特徴量は、3Dグラフ畳み込みのシフト不変性とスケール不変性のおかげで、点のシフトや物体のサイズに対して感度が低くなります。次に、潜在特徴量から効率的にカテゴリレベルの回転情報をデコードするために、二つのデコーダーを使用して回転情報を補完的に取得する新しい分離型回転メカニズムを提案します。同時に、物体点の平均値と真値の翻訳間の差異である二つの残差を使用して翻訳とサイズを推定します。最後に、FS-Netの汎化能力を向上させるために、オンラインボックスケージベースの3D変形メカニズムを提案し、訓練データを拡張します。二つのベンチマークデータセットでの広範な実験により、提案手法はカテゴリおよびインスタンスレベルでの6次元物体姿勢推定において最先端の性能を達成することが示されました。特にカテゴリレベルの姿勢推定においては、追加の合成データなしでNOCS-REALデータセット上で既存手法よりも6.3%高い精度を達成しています。