ADC-GS: Anchor-Driven Deformable and Compressed Gaussian Splatting for Dynamic Scene Reconstruction
Shanghai Jiao Tong University（上海交通大学）；University of Missouri-Kansas City（密苏里大学-堪萨斯城分校）
针对4D高斯溅射中逐高斯变形的冗余问题，提出锚点驱动的ADC-GS，通过分层运动建模和率失真优化显著提升渲染速度与存储效率。
2025-05-13 cs.CV
AG$^2$aussian: Anchor-Graph Structured Gaussian Splatting for Instance-Level 3D Scene Understanding and Editing
Shandong University（山东大学）
本文提出AG$^2$aussian框架，利用锚点图结构组织语义特征并规范高斯基元，实现干净准确的实例级高斯选择，在交互查询、开放词汇查询、物体移除和物理模拟等应用中展现出优势。
2025-08-03 cs.CV
AdaAnchor4D: Anchor-Conditioned Spatiotemporal Feature Aggregation for Monocular UAV 4D Reconstruction
该研究针对单目无人机4D重建中动态高斯方法的缺陷，提出AdaAnchor4D框架，通过ACFA、DLGD和DACW技术提升渲染质量，在多个无人机数据集上优于现有方法且保持实时性。
2026-07-31 cs.CV
Metric-Solver: Sliding Anchored Metric Depth Estimation from a Single Image
Shanghai University（上海大学）；Institute of Artificial Intelligence, China Telecom (TeleAI)（中国电信人工智能研究院（TeleAI））；Shanghai Jiaotong University（上海交通大学）；Xi’an Jiaotong-Liverpool University（西交利物浦大学）
针对单图像度量深度估计中场景尺度多样的挑战，提出Metric-Solver方法，通过滑动锚定动态适应尺度，统一表示近远场深度，提升跨数据集泛化能力与精度。
2025-04-16 cs.CV
TRACE: High-Fidelity 3D Scene Editing via Tangible Reconstruction and Geometry-Aligned Contextual Video Masking
ReLER Lab, CCAI, Zhejiang University（浙江大学计算机辅助设计与图形学全国重点实验室（CCAI）ReLER实验室）；DBMI, HMS, Harvard University（哈佛大学医学院生物医学信息学系（DBMI））
TRACE通过可触觉重建和几何对齐的上下文视频遮罩，实现高保真的3D场景编辑，解决了现有方法在局部姿态调整和组件替换时结构完整性不足的问题。
2026-08-03 cs.CV
Prompt What You Need: Enhancing Segmentation in Rainy Scenes with Anchor-based Prompting
Beijing Jiaotong University（北京交通大学）
针对雨天语义分割的挑战，提出结合半监督学习与预训练基础模型、利用熵锚点提示和掩码过滤融合的框架，在Rainy WCity数据集上取得最优性能并获ICME 2023一等奖。
2023-05-12 cs.CV
AdaState: Self-Evolving Anchors for Streaming Video Generation
Virginia Tech（弗吉尼亚理工学院）
针对自回归视频扩散模型中静态首帧锚点抑制视频动态的问题，提出自适应状态锚点，通过隐变量与内容联合去噪并随时间演化，显著提升运动丰富度和场景自然演进。
2026-05-28 cs.CV
Scene Text Detection with Selected Anchor
Wuhan University of Technology（武汉理工大学）
场景文本检测经常使用密集锚定方案的对象建议技术来实现高召回率。该方法在精度上有了很大的提高，但在计算搜索、回归和分类等方面存在一定的浪费。在本文中，我们提出了一个基于锚点选择的区域建议网络（AS-RPN）使用有效的选择锚点，而不是密集的锚点来提取文本建议。锚点的中心、尺度、长宽比和方向是可学习的，而不是固定的，这导致了高召回率和大大减少的锚点数量。通过在Faster RCNN中替换基于锚点的RPN，基于AS-RPN的Faster RCNN可以在标准基准测试中实现与以前最先进的文本检测方法相当的性能，包括COCO-Text，ICDAR 2013，ICDAR 2015和MSRA-TD 500，仅使用单尺度和单模型（ResNet 50）测试。
2020-08-19 cs.CV cs.LG eess.IV
RoomDesigner: Encoding Anchor-latents for Style-consistent and Shape-compatible Indoor Scene Generation
提出两阶段模型RoomDesigner，通过离散向量量化编码家具为锚点潜变量，结合Transformer自回归生成，实现风格一致且形状兼容的室内场景，支持交互编辑，在3D-Front数据集上优于现有方法。
2023-10-16 cs.CV cs.GR
Improved Visual Relocalization by Discovering Anchor Points
Flipkart Internet Private Limited（Flipkart互联网私人有限公司）
我们解决的视觉重定位问题预测的位置和相机的方向或姿态（6DOF）的给定的输入场景。我们提出了一种方法的基础上，人类如何确定他们的位置使用可见的地标。我们在整个路线图上统一定义锚点，并提出一种深度学习架构，该架构可以预测场景中存在的最相关锚点以及相对于该锚点的相对偏移。相关锚点不需要是距离地面实况位置最近的锚点，因为它可能由于姿势而不可见。因此，我们提出了一个多任务的损失函数，发现相关的锚点，而不需要地面truth.We验证我们的方法的有效性，通过实验剑桥地标（大规模的室外场景）以及7场景（室内场景）使用variousCNN特征提取器。与之前使用相同特征提取器的最佳深度学习模型PoseNet（具有几何重投影损失）相比，我们的方法改善了室内和室外定位数据集的中值误差。我们在街景的特定情况下提高了定位的中值误差，超过8米。
2018-11-11 cs.CV cs.LG
Mode-GS: Monocular Depth Guided Anchored 3D Gaussian Splatting for Robust Ground-View Scene Rendering
University of Maryland（马里兰大学）；NAVER LABS（NAVER实验室）
针对地面机器人数据集渲染中高斯泼溅漂移问题，提出Mode-GS算法，结合单目深度锚点与残差解码器，通过尺度校准提升渲染质量，在多个数据集上达到SOTA。
2024-10-06 cs.CV cs.RO
CoSAG: Compact Semantic Anchor Gaussians via Training-Free Rate-Distortion Coding
研究开放词汇3D场景理解中存储瓶颈问题，提出CoSAG方法，通过特定构建方式和存储编码，无需场景训练，实现亚兆字节存储，在多项协议上匹配或超越现有技术，大幅减小场大小。
2026-07-14 cs.CV
An Anchor-Free Region Proposal Network for Faster R-CNN based Text Detection Approaches
South China University of Technology（华南理工大学）；Microsoft Research Asia（微软亚洲研究院）
Faster R-CNN和SSD框架的锚机制被认为对场景文本检测不够有效，这可以归因于其基于锚和地面真值框之间的IoU匹配标准。为了更好地包围各种形状的场景文本实例，需要人工设计各种尺度、长宽比甚至方向的锚点，这使得基于锚点的方法复杂且效率低下。在本文中，我们提出了一种新的无锚区域建议网络（AF-RPN）来取代Faster R-CNN框架中原始的基于锚的RPN，以解决上述问题。与普通RPN和FPN-RPN相比，AF-RPN可以摆脱复杂的锚点设计，在大规模COCO-Text数据集上获得更高的召回率。由于高质量的文本提案，我们基于Faster R-CNN的两阶段文本检测方法在ICDAR-2017 MLT，ICDAR-2015和ICDAR-2013文本检测基准测试中仅使用单尺度和单模型（ResNet 50）测试时获得了最先进的结果。
2018-04-24 cs.CV
Optimizing Anchor-based Detectors for Autonomous Driving Scenes
Google（谷歌）；Waymo
本文总结了自动驾驶场景中流行的基于锚点的检测器的模型改进和推理时间优化。基于为常见检测场景设计的高性能RCNN-RS和RetinaNet-RS检测框架，我们研究了一组框架改进，以使检测器能够更好地检测人群场景中的小物体。然后，我们提出了一种模型缩放策略，通过缩放输入分辨率和模型大小来实现更好的速度-精度权衡曲线。我们在Waymo开放数据集（WOD）的实时2D检测轨道上评估了我们的模型系列。在V100 GPU上的70 ms/帧延迟限制内，我们最大的Cascade RCNN-RS模型实现了76.9%的AP/L1和70.1%的AP/L2，实现了WOD实时2D检测的最新技术水平。我们最快的RetinaNet-RS模型达到6.3 ms/帧，同时保持合理的检测精度，在50.7% AP/L1和42.9% AP/L2。
2022-08-11 cs.AI cs.CV
Amortized Anchor Refinement for Deployable Continuous-Time 4D Gaussian Reconstruction
South Dakota State University（南达科他州立大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Aalto University（阿尔托大学）
针对独立XR头显上连续时间4D重建的部署难题，提出Amortized Anchor Refinement方法，结合冻结骨干网络、短期优化及拓扑约束，在Stage-Capture基准取得24.31±2.22dB，可在消费级GPU完成重建并在XR头显回放。
2026-09-01 cs.CV
RRPN++: Guidance Towards More Accurate Scene Text Detection
RRPN是一种优秀的场景文本检测方法，但人工设计的锚点和粗糙的建议细化使其性能仍然很不完美。在本文中，我们提出了RRPN++开发的RRPN为基础的模型的潜力，通过几个改进。在RRPN的基础上，提出了无锚金字塔建议网络（APPN）来生成第一阶段建议，该网络采用无锚设计来减少建议数量，加快推理速度。在我们的第二阶段，检测分支和识别分支都被合并来执行多任务学习。在推理阶段，检测分支输出建议细化，识别分支预测细化文本区域的转录本。此外，识别分支还通过联合过滤策略帮助对建议进行重新评分并消除假阳性建议。通过这些增强功能，与RRPN相比，我们通过ICDAR 2015中F测量的$6\%$提高了检测结果。在其他基准上进行的实验也说明了我们的模型的优越性能和效率。
2020-09-28 cs.CV
HAIF-GS: Hierarchical and Induced Flow-Guided Gaussian Splatting for Dynamic Scene
Institute of Computing Technology, Chinese Academy of Sciences, ICT（中国科学院计算技术研究所）；University of Chinese Academy of Sciences, UCAS（中国科学院大学）；The University of Queensland（昆士兰大学）；Jiangsu University（江苏大学）
针对动态3D场景重建中现有3DGS方法的三大局限，提出HAIF-GS框架，通过稀疏锚点驱动形变、自监督诱导流引导及分层锚点传播，在渲染质量、时间连贯性和效率上均优于现有方法。
2025-10-29 cs.CV
LocusGS: Spatially Grounded Tokens for Feed-Forward 3D Gaussian Splatting
National University of Defence Technology（国防科技大学）
LocusGS为前馈3DGS的高斯查询添加三维锚定状态，提升查询空间连贯性，在相同高斯预算下改善新视图合成的渲染质量。
2026-08-14 cs.CV
Semantic-Deviation-Anchored Multi-Branch Fusion for Unsupervised Anomaly Detection and Localization in Unstructured Conveyor-Belt Coal Scenes
School of Software Engineering / School of Mechanical Engineering（软件工程学院 / 机械工程学院）
本文提出语义偏离锚定的多分支融合框架，用于无监督煤流场景中异物检测与定位，通过多视角融合提升检测精度与鲁棒性。
2026-02-07 cs.CV
Efficient Gaussian Splatting for Monocular Dynamic Scene Rendering via Sparse Time-Variant Attribute Modeling
National University of Singapore（新加坡国立大学）
针对单目动态场景渲染中高斯冗余导致速度慢的问题，提出高效动态高斯泼溅（EDGS），通过稀疏时变属性建模与无监督静态锚点过滤，显著提升渲染速度并保持高质量。
2025-02-27 cs.CV
4D Scaffold Gaussian Splatting with Dynamic-Aware Anchor Growing for Efficient and High-Fidelity Dynamic Scene Reconstruction
提出4D锚点框架，保留足够高斯并压缩为锚点特征，结合动态感知锚点生长，以低存储实现动态场景高保真重建，大幅超越基线。
2025-08-05 cs.CV cs.GR
GLoD-LVSM: Learning Geometry-Grounded Continuous-LoD Scene Representations for Large View Synthesis Models
University of Rochester（罗切斯特大学）；Reality Labs, Meta（Meta Reality Labs）
本文提出GLoD-LVSM，一种基于几何的连续多细节层次场景表示，用于解决大视角合成模型的令牌冗余问题，可在保证渲染质量的同时大幅减少令牌数量、提升渲染速度，还支持场景语义理解。
2026-10-14 cs.CV cs.GR
VoxScene: Anchor-Conditioned Voxel Diffusion for Indoor Scene Arrangement
Shanghai Jiao Tong University（上海交通大学）；Hong Kong University of Science and Technology（香港科技大学）；Tsinghua University（清华大学）；University of Cambridge（剑桥大学）；Peking University（北京大学）
本文提出VoxScene，一种基于锚点的体素扩散框架，用于3D场景合成。通过引入显式的、以物体为中心的体素表示，解决了现有方法在处理密集环境时的物理碰撞和结构纠缠问题，实现了高保真体素网格的生成，提升了场景布置的物理合理性和形状多样性。
2026-05-16 cs.CV cs.GR
From Sparse and Imperfect 2D Anchors to Consistent 3D Gaussian Street Scenes: Support-Aware Appearance
College of Mechanical and Vehicle Engineering, Chongqing University（重庆大学机械与运载工程学院）
提出教师相对外观残差蒸馏方法，通过支持感知的高斯空间聚合和置信门控优化，将稀疏不完美2D锚点烘焙为一致3D高斯街景，平衡目标对齐、内容保持和跨视图一致性。
2026-06-25 cs.CV cs.GR
Dynamic Anchor Learning for Arbitrary-Oriented Object Detection
School of Automation, Beijing Institute of Technology（北京理工大学自动化学院）
面向对象的对象广泛地出现在自然场景、航空照片、遥感图像等中，因此，面向任意的目标检测受到了相当大的关注。目前许多旋转检测器使用大量具有不同方向的锚点来实现与地面真值框的空间对齐，然后应用Intersection-over-Union（IoU）对正候选和负候选进行采样以进行训练。然而，我们观察到，所选择的阳性锚点在回归后并不能总是确保准确的检测，而一些阴性样本可以实现准确的定位。这表明，通过IoU的锚质量评估是不合适的，这进一步导致分类置信度和定位精度之间的不一致。在本文中，我们提出了一种动态锚学习（DAL）方法，它利用新定义的匹配度，全面评估锚的本地化潜力，并进行更有效的标签分配过程。这样，检测器可以动态选择高质量的锚点，实现准确的目标检测，分类和回归之间的分歧将得到缓解。随着新引入的DAL，我们实现了优越的检测性能，为任意方向的对象，只有几个水平预设锚。在HRSC 2016、DOTA、UCAS-AOD三个遥感数据集和ICDAR 2015场景文本数据集上的实验结果表明，与基线模型相比，该方法取得了显著的改进。此外，我们的方法也是通用的目标检测使用水平边界框。代码和模型可在https://github.com/ming71/DAL上获得。
2020-12-15 cs.CV
Inner-Scene Similarities as a Contextual Cue for Object Detection
Technion（以色列理工学院）
利用图像上下文是提高目标检测的有效方法。以前提出的方法使用依赖于语义或空间信息的上下文线索。在这项工作中，我们探索了一种不同的上下文信息：内部场景相似性。我们提出了CISS（上下文的内部场景相似性）算法，这是基于观察，两个视觉上相似的子图像补丁很可能共享语义身份，特别是当两者都出现在同一幅图像。CISS使用由碱基检测器提供的碱基分数，并作为检测后阶段执行。对于每个候选子图像（表示为锚点），CISS算法找到一些类似的子图像（表示为支持者），并且使用它们来计算锚点的新的增强分数。这是通过利用支持者的基本分数和预先训练的依赖模型来完成的。新的分数被建模为锚和支持者的基本分数的线性函数，并使用最小均方误差优化进行估计。这一方法的结果是：（a）改进了对部分被遮挡对象的检测（当场景中存在类似的未被遮挡对象时），以及（b）更少的误报警（当基本检测器错误地将背景块分类为对象时）。这项工作涉及邓肯和汉弗莱斯的“相似性理论”，一种心理物理学研究。这表明人类视觉系统在感知上对相似的图像区域进行分组，并且一个区域的分类受到另一个区域的估计身份的影响。实验结果表明，一个基地检测器的PASCAL VOC数据集上的分数的增强。
2017-07-14 cs.CV
PP-YOLOE-R: An Efficient Anchor-Free Rotated Object Detector
Baidu Inc.（百度公司）
面向目标的目标检测是包含航拍图像和场景文本的视觉场景中的一项基本任务。在这份报告中，我们提出了PP-YOLOE-R，一个有效的锚无旋转对象检测器的基础上PP-YOLOE。我们在PP-YOLOE-R中引入了一系列有用的技巧，以提高检测精度，同时增加少量额外参数和计算成本。因此，PP-YOLOE-R-l和PP-YOLOE-R-x在DOTA 1.0数据集上的单尺度训练和测试分别达到78.14和78.28 mAP，优于几乎所有其他旋转对象检测器。通过多尺度训练和测试，PP-YOLOE-R-l和PP-YOLOE-R-x进一步将检测精度提高到80.02和80.73 mAP。在这种情况下，PP-YOLOE-R-x超越了所有无锚方法，并展示了与最先进的基于锚的两阶段模型相竞争的性能。此外，PP-YOLOE-R是部署友好的，PP-YOLOE-R-s/m/l/x可以在RTX 2080 Ti上分别达到69.8/55.1/48.3/37.1 FPS。源代码和预训练模型可在https://github.com/PaddlePaddle/Paddle Detection上获得，该网站由https：//github.com/PaddlePaddle/Paddle提供支持。
2022-11-04 cs.CV
SD-GS: Structured Deformable 3D Gaussians for Efficient Dynamic Scene Reconstruction
SIGS, Tsinghua University（清华大学信号与信息处理系）；Google（谷歌）；Department of CST, Tsinghua University（清华大学计算机科学与技术系）；Soochow University（苏州大学）
提出SD-GS动态高斯泼溅框架，通过可变形锚点网格和形变感知致密化策略，在保持视觉质量的同时显著减少模型存储并提升渲染速度。
2025-07-10 cs.CV cs.GR
AnchorWeave: World-Consistent Video Generation with Retrieved Local Spatial Memories
Department of Computer Science, University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校计算机科学系）；Nanyang Technological University, Singapore（新加坡南洋理工大学）
AnchorWeave通过检索局部空间记忆提升视频生成的长期场景一致性与视觉质量。
2026-09-07 cs.AI cs.CV
OrbitForge: Text-to-3D Scene Generation via Reconstruction-Anchored Video Synthesis
Computer Vision Group, Institute of Computer Science University of Bern（计算机视觉组，计算机科学研究所，伯恩大学）
提出OrbitForge，利用冻结的视频先验和每提示高斯泼溅重建优化，将单个文本生成视频转换为规范闭轨3D场景，无需任务特定微调或分数蒸馏。
2026-06-24 cs.AI cs.CV
A Single Shot Text Detector with Scale-adaptive Anchors
目前，大多数性能最好的文本检测网络倾向于采用固定大小的锚框来指导文本实例的搜索。它们通常依赖于大量不同尺度的锚来发现场景图像中的文本，从而导致高计算成本。在本文中，我们提出了一个端到端的基于框的文本检测器与规模自适应锚，它可以动态调整锚的规模根据底层文本的大小，通过引入一个额外的规模回归层。所提出的尺度自适应锚点允许我们使用少量的锚点来处理多尺度文本，从而显着提高计算效率。此外，与以前的方法中使用的离散尺度相比，学习的连续尺度更可靠，特别是对于小文本检测。此外，我们提出了锚卷积，以更好地利用必要的特征信息，根据学习的尺度动态调整感受野的大小。大量的实验表明，所提出的检测器是快速的，只需$0.28$秒，每幅图像，同时优于大多数国家的最先进的方法的准确性。
2018-07-05 cs.CV
One Patch Is Enough: Reinforcement-Optimized Visual Token Grounding for MLLM-Based Scene Text Spotting
South China University of Technology（华南理工大学）；HiThink Research（海思思考研究院）
针对现有多补丁场景文本定位范式的冗余噪声与定位歧义问题，提出以视觉为中心的单补丁文本定位框架 SPaTS，通过强化学习优化的单补丁选择等技术实现性能提升，显著优于前沿相关模型。
2026-08-04 cs.CV
Splannequin: Freezing Monocular Mannequin-Challenge Footage with Dual-Detection Splatting
National Yang Ming Chiao Tung University；The Ohio State University
Splannequin通过双检测溅射技术，提升单目人偶挑战视频冻结3D场景的视觉质量，实现高保真用户可控的冻结时间渲染。
2025-12-08 cs.CV
Not Just a Subject: Capturing Adaptive Scene-Specific Variance for Visual Storytelling
Hanyang University（汉阳大学）
本文针对视觉叙事中现有方法无法适配场景变化的问题，提出无需训练的EOS-Story框架，通过跨上下文桥接与自适应身份保留技术，在Consistory+及扩展基准上实现了更优性能。
2026-10-16 cs.CV
Scene Informer: Anchor-based Occlusion Inference and Trajectory Prediction in Partially Observable Environments
Stanford University（斯坦福大学）；University of California, Riverside（加州大学河滨分校）
针对自动驾驶领域遮挡推理与轨迹预测研究割裂、假设不符实际的问题，提出统一框架Scene Informer，基于Transformer实现部分可观测环境下的双任务推理，在Waymo数据集上性能优于现有方法。
2024-03-09 cs.AI cs.CV cs.RO
Structure Guided Lane Detection
Meituan（美团）
最近，随着深度神经网络和自动驾驶的快速发展，车道检测取得了很大进展。然而，存在三个主要问题，包括表征车道，建模场景和车道之间的结构关系，并支持更多的属性（例如，类型和类型）。在本文中，我们提出了一种新的结构指导框架，同时解决这些问题。在该框架中，我们首先引入一个新的车道表示来表征每个实例。然后提出了一种自顶向下的消失点引导锚定机制，以产生密集的锚点，有效地捕获各种车道。其次，使用多层次结构约束来改善车道的感知。在此过程中，引入像素级感知和二值分割，以提升锚点周围的特征，并从自底向上的恢复车道细节，提出车道级关系模型结构（即，并行），并且图像级注意力用于从场景的角度自适应地关注图像的不同区域。在结构指导的帮助下，锚被有效地分类和回归，以获得精确的位置和形状。在公共基准数据集上进行的大量实验表明，该方法在单个GPU上具有117 FPS的性能，优于最先进的方法。
2021-06-10 cs.CV
SkyAnchor: Updating Metric-scale Aerial 3D Gaussian Scenes from Unposed Ground-View Sequences
University of Liverpool（利物浦大学）；The Ohio State University（俄亥俄州立大学）
SkyAnchor利用现有航空场景作为固定脚手架，通过锚点约束的子地图和光束法平差，将无位姿地面序列配准并更新度量尺度三维高斯场景，在七个真实场景上验证了精确轨迹与高质量渲染。
2026-09-15 cs.CV cs.GR
Mask TextSpotter v3: Segmentation Proposal Network for Robust Scene Text Spotting
Huazhong University of Science and Technology（华中科技大学）；Facebook AI（Facebook人工智能）
近年来，端到端可训练的场景文本定位方法，结合检测和识别，显示了很大的进展。然而，目前大多数的任意形状的场景文本spotters使用区域建议网络（RPN）产生的建议。RPN在很大程度上依赖于手动设计的锚点，其建议用轴对齐的矩形表示。前者在处理极端纵横比或不规则形状的文本实例时存在困难，而后者通常在密集定向文本的情况下将多个相邻实例包含到单个提案中。为了解决这些问题，我们提出了Mask TextSpotter v3，这是一个端到端的可训练场景文本定位器，它采用了分割建议网络（SPN）而不是RPN。我们的SPN是无锚的，并给出了任意形状的建议的准确表示。因此，它在检测极端纵横比或不规则形状的文本实例方面优于RPN。此外，SPN产生的准确建议允许掩蔽的RoI特征用于解耦相邻文本实例。因此，我们的TextMask TextSpotter v3可以处理极端宽高比或不规则形状的文本实例，其识别精度不会受到附近文本或背景噪音的影响。具体来说，我们在Rotated ICDAR 2013数据集上的表现比最先进的方法高出21.9%（旋转鲁棒性），在Total-Text数据集上高出5.9%（形状鲁棒性），并在MSRA-TD 500数据集上实现了最先进的性能（纵横比鲁棒性）。代码可在：https://github.com/MhLiao/MaskTextSpotterV3
2020-07-18 cs.CV
Video-Based Camera Localization Using Anchor View Detection and Recursive 3D Reconstruction
Tokyo Institute of Technology（东京工业大学）；Olympus Corporation（奥林巴斯公司）
在本文中，我们介绍了一种新的摄像机定位策略，设计用于在具有挑战性的工业情况下，如工业零件检测捕获的图像序列。为了处理损害标准3D重建管道的特殊外观，我们通过选择序列中的关键帧（称为锚点）来利用场景的先验知识，这些关键帧粗略地连接到某个位置。然后，我们的方法按时间顺序寻找每个帧的位置，同时递归地更新可以提供当前相机位置和周围3D结构的增强3D模型。在一个实际的工业情况的实验中，我们的方法可以定位超过99%的帧在输入序列，而标准的定位方法无法重建一个完整的摄像机轨迹。
2021-07-07 cs.CV
Learning to Understand Body Language from Flight through Robust 3D Avatar Placing
National University of Science and Technology “Politehnica” Bucharest（布加勒斯特理工国立大学）；“Simion Stoilow” Institute of Mathematics of the Romanian Academy（罗马尼亚科学院“西米翁·斯托伊洛夫”数学研究所）；NORCE Norwegian Research Centre AS（挪威NORCE研究中心）
该研究推出Drones2BodyLanguage数据集，结合轻量几何世界模型训练12种架构，可提升空中机器人对人类交际意图的感知准确率，为社交智能无人机提供数据支撑与方法。
2026-07-31 cs.CV
Instant Gaussian Stream: Fast and Generalizable Streaming of Dynamic Scene Reconstruction via Gaussian Splatting
Peking University（北京大学）；Pengcheng Laboratory（鹏城实验室）
针对现有动态场景重建流式方法单帧重建慢、误差累积的问题，提出基于高斯泼溅的IGS框架，结合锚点驱动高斯运动网络与关键帧引导策略，实现快速可泛化的流式重建并提升合成质量。
2025-03-21 cs.CV
TrAME: Trajectory-Anchored Multi-View Editing for Text-Guided 3D Gaussian Splatting Manipulation
School of Information Science and Technology, University of Science and Technology of China（中国科学技术大学信息科学技术学院）；Space AI, Li Auto（理想汽车空间人工智能部门）；Department of Automation, Tsinghua University（清华大学自动化系）
针对三维场景编辑中多视图一致性问题，提出基于轨迹锚定方案和双分支机制的渐进式编辑策略，并引入视图一致性注意力控制模块，实现高质量文本引导三维高斯泼溅编辑。
2024-08-21 cs.CV
DALNet: A Rail Detection Network Based on Dynamic Anchor Line
School of Control Science and Engineering, Dalian University of Technology（大连理工大学控制科学与工程学院）；Dalian Rail Transmit Intelligent Control and Intelligent Operation Technology Innovation Center（大连轨道交通智能控制与智能运维技术创新中心）；Dalian Seasky Automation Co., Ltd（大连海空自动化有限公司）
针对预定义锚线适配性差的问题，提出基于动态锚线机制的轨道检测网络DALNet，构建DL-Rail数据集，实验表明其在多个基准上取得最优性能。
2023-08-24 cs.CV
3D Object Detection Combining Semantic and Geometric Features from Point Clouds
College of Information Science and Engineering, Northeastern University（东北大学信息科学与工程学院）
本文研究了基于体素的方法和基于点的方法的结合，并提出了一种新型的用于点云场景的端到端两阶段3D对象检测器SGNet。基于体素的方法将场景体素化为规则网格，可以使用当前基于卷积层的高级特征学习框架进行语义特征学习。而基于点的方法由于保留了点的坐标，可以更好地提取点的几何特征。两者的结合是从点云数据中进行三维目标检测的有效解决方案。然而，大多数当前方法使用具有锚的基于体素的检测头来进行最终分类和定位。虽然预设锚点覆盖了整个场景，但由于体素大小的限制，它不适合较大场景和多类别的点云检测任务。在本文中，我们提出了一个体素到点模块（VTPM），捕捉语义和几何特征。VTPM是一个基于体素点的模块，最终实现了点空间的三维目标检测，更有利于小尺寸目标的检测，避免了推理阶段锚点的干扰。此外，提出了一个具有中心边界感知置信度注意力的置信度调整模块（CAM），以解决在感兴趣区域（RoI）选择中预测置信度和建议之间的不一致。本文提出的SGNet在KITTI数据集中的3D目标检测方面取得了最先进的结果，特别是在小尺寸物体（如骑自行车的人）的检测方面。实际上，截至2021年9月19日，对于KITTI数据集，SGNet在3D和BEV检测中排名第一，对骑自行车的人进行简单难度级别的检测，在3D检测中排名第二。
2021-10-10 cs.CV
FCAF3D: Fully Convolutional Anchor-Free 3D Object Detection
Samsung AI Center（三星人工智能中心）
近年来，基于点云数据的三维目标检测在机器人和增强现实领域的应用前景越来越广。在本文中，我们提出了FCAF 3D-一流的全卷积无锚室内3D目标检测方法。这是一种简单而有效的方法，它使用点云的体素表示，并使用稀疏卷积处理体素。FCAF 3D可以通过一个完全卷积的前馈通道以最小的运行时间处理大规模场景。现有的3D目标检测方法对物体的几何形状进行了先验假设，我们认为这限制了它们的泛化能力。为了摆脱任何先前的假设，我们提出了一种新的参数化定向边界框，允许以纯粹的数据驱动的方式获得更好的结果。所提出的方法在ScanNet V2（+4.5）、SUN RGB-D（+3.5）和S3 DIS（+20.5）数据集上实现了最先进的3D目标检测结果（mAP@0.5）。代码和模型可在https://github.com/samsunglabs/fcaf3d上获得。
2022-03-24 cs.CV
Does it matter which Gaussians you pick in 4D Gaussian streaming?
School of Computing Sciences and Computer Engineering（计算科学与计算机工程学院）；University of Southern Mississippi（密西西比大学）
本文通过固定IGS管道并改变采样器，研究不同高斯锚点选择策略对4D动态场景重建质量的影响，发现预算充足时采样器无显著影响，随机或均匀采样即可达到与FPS相当的效果。
2026-06-24 cs.CV
P-4DGS: Predictive 4D Gaussian Splatting with 90$\times$ Compression
University of Science and Technology of China（中国科学技术大学）
针对动态3D高斯泼溅的时空冗余导致内存过高问题，提出P-4DGS，通过基于3D锚点的时空预测模块与自适应量化及熵编码实现紧凑4D建模，在保持最先进重建质量与最快渲染速度的同时，在真实场景上实现高达90倍的压缩。
2025-10-11 cs.CV
NeRFDeformer: NeRF Transformation from a Single View via 3D Scene Flows
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；NVIDIA（英伟达）
本文提出NeRFDeformer，利用3D场景流和新型对应过滤算法，从单视图非刚性观测中修改NeRF，并构建含113个合成场景的数据集，性能优于现有编辑与扩散方法。
2024-06-15 cs.AI cs.CV
Reliable and Efficient Image Cropping: A Grid Anchor based Approach
The Hong Kong Polytechnic University（香港理工大学）；DJI Co.,Ltd（大疆创新科技有限公司）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
图像裁剪的目的是去除图像中的无关内容，以提高图像的构图质量和美学质量，现有的图像裁剪数据库只提供一个或多个人工标注的边界框作为背景，不能反映图像裁剪的非唯一性和灵活性。现有的评价指标如交并比等也不能可靠地反映作物模型的真实性能。这项工作重新审视了图像裁剪的问题，并通过考虑特殊的属性和要求（例如，局部冗余、内容保留、纵横比）。我们的配方减少了搜索空间的候选作物从数百万到不到一百。因此，基于网格锚的裁剪基准构造，其中每个图像的所有作物被注释，并且定义更可靠的评估度量。我们还设计了一个高效的轻量级网络模块，它同时考虑了感兴趣区域和丢弃区域，以实现更准确的图像裁剪。我们的模型可以稳定地输出视觉上令人愉快的作物的图像的不同场景和运行速度为125 FPS。代码和数据集可在https://github.com/HuiZeng/Grid-Anchor-based-Image-Cropping上获得。
2019-04-09 cs.CV
ArbiText: Arbitrary-Oriented Text Detection in Unconstrained Scene
NYU Multimedia and Visual Computing Lab（纽约大学多媒体与视觉计算实验室）；NYU Abu Dhabi（纽约大学阿布扎比分校）；New York University（纽约大学）；HERE Technologies（HERE科技公司）
由于宽高比、尺度、方向和光照的变化，在野外面向字符的文本检测是一项非常具有挑战性的任务。在本文中，我们提出了一种新的方法，即面向文本（或ArbText的简称）检测器，在无约束的自然场景图像的有效文本检测。具体来说，我们首先采用圆形锚而不是矩形锚来表示边界框，这对方向变化更鲁棒。随后，我们将一个金字塔池模块到Single Shot MultiBox检测器框架中，以便同时探索局部和全局视觉信息，从而可以生成更机密的检测结果。在ICDAR 2015和MSRA-TD 500等场景文本数据集上的实验表明，与现有方法相比，该方法具有更好的性能。
2017-11-30 cs.CV
Working with scale: 2nd place solution to Product Detection in Densely Packed Scenes [Technical Report]
本报告描述了CVPR 2020 Retail-Vision研讨会上举办的检测挑战的第二名解决方案。而不是进一步考虑以前的结果，这项工作的主要目的是通过重新实验来验证以前观察到的外卖。通过结合流行的目标检测工具箱- MMDetection，可实现结果的可靠性和再现性。在本报告中，我首先介绍了Faster-RCNN和RetinaNet模型的结果，这些模型在原始工作中进行了比较。然后用更先进的模型描述了实验结果。最后一节回顾了Faster-RCNN模型的两个简单技巧，它们用于我的最终提交：更改默认锚定尺度参数和训练时间图像平铺。源代码可在https://github.com/tyomj/product_detection上获得。
2020-06-14 cs.CV
SceneExpander: Text-Guided 3D Scene Expansion via Free-Form View Insertion
Sun Yat-sen University（中山大学）；KlingAI Research, Kuaishou Technology（快手科技 KlingAI 研究）
本文提出SceneExpander，通过在用户控制下插入合成视图扩展3D场景，解决几何偏移和一致性问题，提升重建质量。
2026-07-30 cs.CV
CUS-GS: A Compact Unified Structured Gaussian Splatting Framework for Multimodal Scene Representation
School of Computer Science, Hangzhou Dianzi University（杭州电子科技大学计算机科学学院）；CAD & CG, Zhejiang University（浙江大学计算机辅助设计与图形学研究所）；School of Computer Science, University of Bristol（布里斯托大学计算机科学学院）
CUS-GS通过统一结构化高斯点扩散框架，实现多模态场景表示的高效建模与语义一致性。
2025-11-22 cs.CV cs.RO
PAM-ToD: Plug-and-Play Appearance Modeling for Cross-Time-of-Day 3D Gaussian Splatting
Chubu University（中部大学）；Elith Inc.（Elith公司）；DGIST（大邱庆北科学技术院）；KAIST（韩国科学技术院）
PAM-ToD是适配3DGS道路场景跨时段外观的轻量级即插即用插件，结合新基准CARLA-ToD，在静态和动态设置下均优于基线。
2026-10-09 cs.CV
