Los autores presentan Polycepta, un marco de estimación del estado de apariencia centrado en objetos que reformula el modelado de la apariencia como un problema de estimación recursiva. A diferencia de los métodos tradicionales que dependen de descriptores estáticos e independientes del fotograma, Polycepta construye y actualiza continuamente estados de apariencia independientes para cada objeto rastreado. Este enfoque permite estimar representaciones futuras a partir de observaciones acumuladas en lugar de memorizarlas mediante una estrategia de aprendizaje específica. Una característica clave es que la calidad de la estimación de la apariencia mejora progresivamente a medida que los estados del objeto evolucionan durante la inferencia. El marco permite la estimación de la apariencia para clases no vistas al fomentar el aprendizaje de la construcción de representaciones específicas del objeto. Experimentos extensos en KITTI, Waymo Open Dataset y MOT17 demuestran reducciones consistentes en los cambios de identidad y un mejor rendimiento del seguimiento. Cuando se integra en el marco RobMOT, Polycepta opera a 90.57 Hz y alcanza una MOTA de 92.27% en el benchmark KITTI.