3D 视觉

Beyond the Vehicle: Cooperative Localization by Fusing Point Clouds for GPS-Challenged Urban Scenarios

超越车辆：通过融合点云进行协作定位以应对GPS挑战的都市场景

Kuo-Yi Chao, Ralph Rasshofer, Alois Christian Knoll

机构 * Technical University of Munich（慕尼黑技术大学） ； BMW Group（宝马集团） 纠错

专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.RO

AI总结 本文提出一种融合点云的协作定位方法，通过多传感器和多模态数据提升GPS不可靠城市环境中的定位精度和鲁棒性。

Comments 8 pages, 2 figures, Driving the Future Symposium 2025

MorphoSkel3D: Morphological Skeletonization of 3D Point Clouds for Informed Sampling in Object Classification and Retrieval

MorphoSkel3D: 3D点云的形态学骨架化用于物体分类和检索中的有指导采样

Pierre Onghena, Santiago Velasco-Forero, Beatriz Marcotegui

机构 * Mines Paris, PSL University, Center for Mathematical Morphology (CMM)（巴黎矿学院、PSL大学、数学形态学中心） 纠错

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

AI总结 MorphoSkel3D通过形态学方法实现3D点云的骨架化，提升物体分类和检索中的采样精度与效率。

Journal ref 2025 International Conference on 3D Vision (3DV)

LitS: A novel Neighborhood Descriptor for Point Clouds

LitS：一种新的点云邻域描述符

Jonatan B. Bastos, Francisco F. Rivera, Oscar G. Lorenzo, David L. Vilariño, José C. Cabaleiro, Alberto M. Esmorís, Tomás F. Pena

机构 * Centro Singular de Investigación en Tecnoloxías Intelixentes (CiTIUS), Universidade de Santiago de Compostela, Spain（圣地亚哥-德孔波斯特拉大学智能技术研究中心（CiTIUS）） ； Universidade de Santiago de Compostela, Spain（圣地亚哥-德孔波斯特拉大学） ； Departamento de Electrónica e Computación, Universidade de Santiago de Compostela, Spain（圣地亚哥-德孔波斯特拉大学电子与计算系） 纠错

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

AI总结 LitS是一种新型点云邻域描述符，通过分段常数函数捕捉局部点排列的细微差别，适用于2D和3D点云分析，具备适应不同数据类型和密度的能力。

Radar-Inertial Odometry For Computationally Constrained Aerial Navigation

雷达-惯性里程计用于计算受限的空中导航

Jan Michalczyk

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

AI总结 本研究提出雷达-惯性里程计算法，结合雷达和惯性测量单元数据，用于在资源受限条件下实现无人机的实时导航状态估计。

Activation-wise Propagation: A One-Timestep Strategy for Spiking Neural Networks

按激活传播：用于脉冲神经网络的一种单时间步策略

Jian Song, Xiangfei Yang, Shangke Lyu, Donglin Wang

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

AI总结 AMP2通过动态传播膜电位提升SNN效率和准确性，适用于多种架构和任务。

Comments 10 pages, 7 figures, AAAI26

Sample Complexity Bounds for Estimating Probability Divergences under Invariances

在不变性下估计概率分歧的样本复杂度界限

Behrooz Tahmasebi, Stefanie Jegelka

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； TU Munich（慕尼黑工业大学） 纠错

专题命中 点云 ：point cloud(abstract)

AI总结 本文研究了在不变性下估计概率分歧的样本复杂度，发现群不变性可减少样本复杂度并提高收敛率。

Comments ICML 2024

Journal ref International Conference on Machine Learning (ICML) 2024