3D 视觉

Adaptive Keyframe Selection for Scalable 3D Scene Reconstruction in Dynamic Environments

动态环境中可扩展3D场景重建的自适应关键帧选择

Raman Jha, Yang Zhou, Giuseppe Loianno

机构 * Department of Electrical and Computer Engineering, New York University, Brooklyn, NY 11201, USA（电气与计算机工程系，纽约大学，布鲁克林，NY 11201, USA） ； Department of Electrical Engineering and Computer Sciences, University of California, Berkeley, CA 94720, USA（电气工程与计算机科学系，加州大学伯克利分校，CA 94720, USA） 纠错

专题命中 三维重建 ：3D reconstruction(abstract)；分类 cs.CV、cs.RO

AI总结 本文提出自适应关键帧选择方法，通过动态调整阈值提升动态环境中3D场景重建质量，实验验证其在Spann3r和CUT3R网络中的有效性。

Comments Accepted at ROBOVIS 2026

Memorization in 3D Shape Generation: An Empirical Study

三维形状生成中的记忆现象：一项实证研究

Shu Pu, Boya Zeng, Kaichen Zhou, Mengyu Wang, Zhuang Liu

机构 * Princeton University（普林斯顿大学） ； Harvard University（哈佛大学） 纠错

专题命中 三维重建 ：3D vision(abstract)；分类 cs.CV

AI总结 本文通过实证研究探讨了3D生成模型中记忆现象的影响因素，并提出减少记忆的策略以提升生成多样性。

MGCA-Net: Multi-Graph Contextual Attention Network for Two-View Correspondence Learning

MGCA-Net：多图上下文注意网络用于双视图对应学习

Shuyuan Lin, Mengtin Lo, Haosheng Chen, Yanjie Liang, Qiangqiang Wu

机构 * College of Cyber Security, Jinan University, Guangzhou, China（广州大学网络安全学院） ； Chongqing Key Laboratory of Image Cognition, College of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing, China（重庆邮电大学计算机科学与技术学院） ； Peng Cheng Laboratory, Shenzhen, China（鹏城实验室） ； Department of Computer Science, City University of Hong Kong, Hong Kong, China（香港城市大学计算机科学系） 纠错

专题命中 三维重建 ：3D reconstruction(abstract)；分类 cs.CV

AI总结 MGCA-Net通过多图上下文注意网络提升双视图对应学习的鲁棒性，有效增强局部和全局几何关系捕捉能力。

3D Scene Change Modeling With Consistent Multi-View Aggregation

基于一致多视角聚合的3D场景变化建模

Zirui Zhou, Junfeng Ni, Shujie Zhang, Yixin Chen, Siyuan Huang

机构 * Tsinghua University（清华大学） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI） 纠错

专题命中 三维重建 ：3DGS(abstract)；分类 cs.CV

AI总结 SCaR-3D通过一致多视角聚合实现3D场景变化检测，结合2D差分与投票修剪模块，提升变化前后的状态分离能力，并引入CCS3D数据集和持续重建策略，实现高精度高效的变化检测。

Depth Anything in $360^\circ$: Towards Scale Invariance in the Wild

360度深度估计：迈向野外的尺度不变性

Hualie Jiang, Ziyang Song, Zhiqiang Lou, Rui Xu, Minglang Tan

机构 * Insta360 Research（Insta360研究院） 纠错

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

AI总结 DA360通过学习ViT主干的位移参数，实现全景深度估计的尺度不变性，显著提升室内和户外深度估计性能。

Comments https://insta360-research-team.github.io/DA360

Medical Scene Reconstruction and Segmentation based on 3D Gaussian Representation

基于3D高斯表示的医学场景重建与分割

Bin Liu, Wenyan Tian, Huangxin Fu, Zizheng Li, Zhifen He, Bo Li

机构 * Nanchang Hangkong University（南昌航空大学） ； Guilin University Of Electronic Technology（桂林电子科技大学） 纠错

专题命中 三维重建 ：3D reconstruction(abstract)；分类 cs.CV

AI总结 本文提出基于3D高斯和三平面表示的医学图像重建方法，解决传统方法在稀疏切片中的结构不连续和细节丢失问题，提升重建效率和图像质量。

Comments 14 pages, 3 figures

Visual Autoregressive Modelling for Monocular Depth Estimation

单目深度估计的视觉自回归建模

Amir El-Ghoussani, André Kaup, Nassir Navab, Gustavo Carneiro, Vasileios Belagiannis

机构 * Friedrich-Alexander University Erlangen-Nuremberg, Germany（埃朗根-纽伦堡弗里德里希-亚历山大大学） ； Technical University of Munich, Germany（慕尼黑技术大学） ； University of Surrey, United Kingdom（萨里大学） 纠错

专题命中 三维重建 ：3D vision(abstract)；分类 cs.CV

AI总结 本文提出基于视觉自回归先验的单目深度估计方法，通过自回归阶段和分类器自由引导实现高效深度估计，适用于室内和户外场景。

Event-based high temporal resolution measurement of shock wave motion field

基于事件的高时间分辨率冲击波运动场测量

Taihang Lei, Banglei Guan, Minzu Liang, Pengju Sun, Jing Tao, Yang Shang, Qifeng Yu

机构 * College of Aerospace Science and Engineering, National University of Defense Technology（航空航天学院，国防科技大学） ； Hunan Provincial Key Laboratory of Image Measurement and Vision Navigation（湖南省图像测量与视觉导航重点实验室） ； College of Science, National University of Defense Technology（科学学院，国防科技大学） 纠错

专题命中 三维重建 ：3D reconstruction(abstract)；分类 cs.CV

AI总结 本文提出基于事件相机的高时间分辨率冲击波运动场测量方法，通过极坐标系统和迭代斜率分析实现高精度测量，实验结果表明其在速度测量上的精度优于传统方法。

SAM 3D for 3D Object Reconstruction from Remote Sensing Images

SAM 3D用于从遥感图像中进行3D物体重建

Junsheng Yao, Lichao Mou, Qingyu Li

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； MedAI Technology（MedAI技术） 纠错

专题命中 三维重建 ：3D reconstruction(abstract)；分类 cs.CV

AI总结 本文提出SAM 3D模型用于遥感图像的3D建筑重建，通过实验验证其在生成几何和边界上的优势，并扩展至城市场景重建，探讨其在城市建模中的应用潜力。