3D 视觉

NaTex: Seamless Texture Generation as Latent Color Diffusion

NaTex: 无缝纹理生成作为潜在颜色扩散

Zeqiang Lai, Yunfei Zhao, Zibo Zhao, Xin Yang, Xin Huang, Jingwei Huang, Xiangyu Yue, Chunchao Guo

机构 * MMLab, CUHK（CUHK多媒体实验室） ； Tencent Hunyuan（腾讯文生） 纠错

专题命中 三维重建 ：point cloud(abstract)；分类 cs.CV

AI总结 NaTex通过直接在3D空间中预测纹理颜色，提出潜在颜色扩散方法，实现高效且一致的纹理生成与重建。

Comments Technical Report

PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting

PUP 3D-GS: 3D高斯散射的原理性不确定性修剪

Alex Hanson, Allen Tu, Vasu Singla, Mayuka Jayawardhana, Matthias Zwicker, Tom Goldstein

机构 * University of Maryland, College Park（马里兰大学学院公园分校） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；NeRF(abstract)；novel view synthesis(abstract)；分类 cs.CV、cs.GR

AI总结 PUP 3D-GS通过原理性不确定性修剪技术，在更高压缩比下保持视觉质量和前景细节，提升渲染速度并优化图像质量。

Comments CVPR 2025, Project Page: https://pup3dgs.github.io/

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2025, pp. 5949-5958

Clustered Error Correction with Grouped 4D Gaussian Splatting

聚类误差校正与分组4D高斯点扩散

Taeho Kang, Jaeyeon Park, Kyungjin Lee, Youngki Lee

机构 * Seoul National University（首尔国立大学） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；分类 cs.CV、cs.GR

AI总结 本文提出了一种基于聚类误差校正和分组4D高斯点扩散的方法，以提高动态场景的重建质量和时间一致性。

Comments 16 pages, 8 figures, SIGGRAPH Asia Conference Papers 2025

Atlas Gaussian processes on restricted domains and point clouds

受限域和点云上的Atlas高斯过程

Mu Niu, Yue Zhang, Ke Ye, Pokman Cheung, Yizhu Wang, Xiaochen Yang

机构 * School of Mathematics and Statistics, University of Glasgow（数学与统计学学院，格拉斯哥大学） ； KLMM, Academy of Mathematics and Systems Science, Chinese Academy of Sciences, China（数学与系统科学研究院，中国科学院） 纠错

专题命中 Gaussian Splatting ：point cloud(title,abstract)

AI总结 本文提出了一种改进的Atlas高斯过程，通过结合全局热核与局部RBF核，提升高维点云和受限域中的回归性能和热核估计精度。

Optimizing 3D Gaussian Splattering for Mobile GPUs

优化移动GPU上的3D高斯散射

Md Musfiqur Rahman Sanim, Zhihao Shu, Bahram Afsharmanesh, AmirAli Mirian, Jiexiong Guan, Wei Niu, Bin Ren, Gagan Agrawal

机构 * University of Georgia（佐治亚大学） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(abstract)；3DGS(abstract)；分类 cs.CV、cs.GR

AI总结 本文提出Texture3dgs，通过优化移动GPU上的3D高斯散射算法，实现排序和重建速度提升，同时减少内存消耗。

TRIM: Scalable 3D Gaussian Diffusion Inference with Temporal and Spatial Trimming

TRIM：基于时间和空间剪裁的可扩展3D高斯扩散推断

Zeyuan Yin, Xiaoming Liu

机构 * Department of Computer Science and Engineering, Michigan State University（计算机科学与工程系，密歇根州立大学） 纠错

专题命中 Gaussian Splatting ：3D generation(abstract)；分类 cs.CV

AI总结 TRIM通过引入时间和空间剪裁策略，提升3D高斯扩散模型的推断效率与生成质量。

Comments NeurIPS 2025

Simba: Towards High-Fidelity and Geometrically-Consistent Point Cloud Completion via Transformation Diffusion

Simba: 通过变换扩散实现高保真的几何一致点云补全

Lirui Zhang, Zhengkai Zhao, Zhi Zuo, Pan Gao, Jie Qin

专题命中 点云 ：point cloud(title,abstract)；3D vision(abstract)；分类 cs.CV

AI总结 Simba通过变换扩散方法，结合对称先验和扩散模型，实现高保真的点云补全，解决传统方法的过拟合和噪声敏感问题，取得最先进性能。

Comments Accepted for publication at the 40th AAAI Conference on Artificial Intelligence (AAAI-26)

Late-decoupled 3D Hierarchical Semantic Segmentation with Semantic Prototype Discrimination based Bi-branch Supervision

迟解耦的3D层次语义分割与基于语义原型判别的双分支监督

Shuyu Cao, Chongshou Li, Jie Xu, Tianrui Li, Na Zhao

机构 * School of Computing and AI, Southwest Jiaotong University, Chengdu, China（计算机与人工智能学院，西南交通大学，成都，中国） ； Singapore University of Technology and Design, Singapore（新加坡科技设计大学，新加坡） 纠错

专题命中 点云 ：point cloud(abstract)；分类 cs.CV

AI总结 本文提出了一种迟解耦的3D层次语义分割框架，结合基于语义原型的双分支监督机制，以解决多层次冲突和类别不平衡问题，实现更准确的3D场景分割。

Real-Time 3D Object Detection with Inference-Aligned Learning

基于推理对齐学习的实时3D物体检测

Chenyu Zhao, Xianwei Zheng, Zimin Xia, Linwei Yue, Nan Xue

专题命中 点云 ：point cloud(abstract)；分类 cs.CV

AI总结 SR3D通过空间优先级最优传输分配和排名意识自适应自蒸馏方案，提升实时3D物体检测的准确性和效率

Comments Accepted by AAAI 2026

LiSTAR: Ray-Centric World Models for 4D LiDAR Sequences in Autonomous Driving

LiSTAR: 基于4D激光雷达序列的射线中心世界模型用于自动驾驶

Pei Liu, Songtao Wang, Lang Zhang, Xingyue Peng, Yuandong Lyu, Jiaxin Deng, Songxin Lu, Weiliang Ma, Xueyang Zhang, Yifei Zhan, XianPeng Lang, Jun Ma

专题命中 点云 ：point cloud(abstract)；分类 cs.CV

AI总结 LiSTAR通过射线中心变换器和混合柱形球形表示，实现高保真4D激光雷达数据生成，提升自动驾驶模拟的可控性和真实性。

LLaVA$^3$: Representing 3D Scenes like a Cubist Painter to Boost 3D Scene Understanding of VLMs

LLaVA$^3$：像立体主义画家一样表示3D场景以提升VLM的3D场景理解

Doriand Petit, Steve Bourgeois, Vincent Gay-Bellile, Florian Chabot, Loïc Barthe

专题命中 空间理解 ：3D reconstruction(abstract)；分类 cs.CV

AI总结 LLaVA$^3$通过立体主义方法提升VLM对3D场景的理解能力，利用多视角2D图像无需微调实现更优的3D场景理解。

Comments Accepted at AAAI'26