Estimar la pose (rotació i translació) de la càmera a partir dels punts d'interés de l'escena 3D i punts de la imatge 2D és un problema ben resolt en el cas que es coneguin les correspondències entre ells. No obstant, quan aquestes correspondències no poden ser establertes a priori, s'han d'anar calculant al mateix temps que la posició de la càmera. Aquest és un problema que ha estat abordat d'una manera interessant per l'algoritme BlindPnP [27]. Aquest mètode és basa en el fet que a la pràctica, podem disposar d'alguns priors sobre la pose de la càmera. Es modelen per mitjà d'un model de suma de gaussianes que es va refinant progressivament, al mateix temps que s'hipotetitzen noves correspondències. Així, es redueix ràpidament el nombre de correspondències materials per a cada punt 3D i ens permet explorar l'espai de pose d'una manera prou eficient. Els problemes apareixen quan el nombre de punts d'interés de l'escena és elevat, tal i com pot succeir si es pretén aplicar l'algoritme en models de grans ciutats o d'escenes 3D tretes de grans bases de dades (internet). En aquest projecte demostrem que introduint la informació de la textura sobre el model i combinant priors tant geomètrics com d'aparença, és possible millorar el cost computacional del BlindPnP, aconseguint uns resultats similars. A més, si amb el BlindPnP podíem utilitzar models 3D fins a M = 100 punts, ara aconseguim treballar amb xifres de M' = 100000 punts, una millora de tres ordres de magnitud. Ens permetem doncs, imaginar l'aplicació de l'algoritme en escenes reals.