物体の姿勢推定を学習するには、しばしばCADモデルや絶対スケールの物体姿勢などの真値（GT）ラベルが必要となりますが、これらを実世界で取得することは高コストかつ労力がかかるものです。この問題に対処するために、我々はカテゴリーレベルの物体姿勢推定に向けた教師なしドメイン適応（UDA）手法を提案します。この手法はUDA-COPEと呼ばれています。最近のマルチモーダルUDA技術に着想を得て、提案手法では教師-生徒型自己監督学習スキームを用いて、ターゲットドメインの姿勢ラベルを使用せずに姿勢推定ネットワークを訓練します。また、予測された正規化された物体座標空間（NOCS）マップと観測点群との間で双方向フィルタリング方法を導入し、これにより教師ネットワークがターゲットドメインに対してより堅牢になるだけでなく、生徒ネットワークの訓練に使用される疑似ラベルもより信頼性のあるものとなります。広範な実験結果は、我々の提案手法が定量的にも定性的にも有効であることを示しています。特に、ターゲットドメインのGTラベルを利用せずに、我々の提案手法は既存のGTラベルに依存する手法と同等かそれ以上の性能を達成しました。