面向对象的映射对于场景理解非常重要，因为它们共同捕获几何和语义，允许对对象进行单独的实例化和有意义的推理。我们介绍了FroDO，这是一种从RGB视频中精确重建物体实例的方法，它以一种由粗到细的方式推断出物体的位置、姿态和形状。FroDO的关键是将对象形状嵌入到一个新的学习空间中，允许在稀疏点云和稠密DeepSDF解码之间进行无缝切换。给定一个局部的RGB帧的输入序列，FroDO首先聚合2D检测，为每个对象实例化一个分类感知的3D包围框。在利用稀疏和稠密形状表示进一步优化形状和姿态之前，使用编码器网络对形状代码进行回归。优化使用多视图几何，光度和剪影损失。我们对真实世界的数据集进行评估，包括Pix3D、Redwood-OS和ScanNet，用于单视图、多视图和多对象重建。