3D 视觉

Monocular Mesh Recovery and Body Measurement of Female Saanen Goats

单目网格重建与雌性萨文奶山羊体型测量

Bo Jin, Shichao Zhao, Jin Lyu, Bin Zhang, Tao Yu, Liang An, Yebin Liu, Meili Wang

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

AI总结 本文提出了一种基于单目RGBD输入的高精度3D重建方法，专为雌性萨文奶山羊设计，实现了对六个关键体型尺寸的自动化测量。

Comments Accepted to AAAI2026

$R^2$-Mesh: Reinforcement Learning Powered Mesh Reconstruction via Geometry and Appearance Refinement

$R^2$-Mesh：基于几何和外观细化的强化学习驱动网格重建

Haoyang Wang, Liming Liu, Xinggong Zhang

机构 * Peking University（北京大学） 纠错

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

AI总结 $R^2$-Mesh通过强化学习结合NeRF渲染和在线视角选择，提升网格重建的几何和外观精度。

BayesFusion-SDF: Probabilistic Signed Distance Fusion with View Planning on CPU

BayesFusion-SDF：基于CPU的概率签名距离融合与视点规划

Soumya Mazumdar, Vineet Kumar Rakesh, Tapas Samanta

机构 * Department of Computer Science and Business Systems（计算机科学与商业系统系） ； Gargi Memorial Institute of Technology（加里纪念技术学院） ； Computer and Informatics Group（计算机与信息组） ； Variable Energy Cyclotron Centre（变能回旋加速器中心） ； Engineering Sciences, Homi Bhabha National Institute Training School Complex（工程科学，霍米·巴布哈国家研究所培训学校复合体） 纠错

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

AI总结 BayesFusion-SDF是一种基于CPU的概率签名距离融合方法，通过异方差贝叶斯公式和稀疏线性代数实现高效的几何重建与不确定性估计，适用于主动传感和视点规划。

PhysConvex: Physics-Informed 3D Dynamic Convex Radiance Fields for Reconstruction and Simulation

PhysConvex: 基于物理的3D动态凸辐射场用于重建与模拟

Dan Wang, Xinrui Cui, Serge Belongie, Ravi Ramamoorthi

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Univesity of North Texas（北卡罗来纳州立大学） ； Copenhagen University（哥本哈根大学） 纠错

专题命中 三维重建 ：3DGS(abstract)；分类 cs.CV、cs.GR

AI总结 PhysConvex通过物理基础的凸原形和降阶模拟，实现了高保真度的动态3D场景重建与物理模拟。

TeHOR: Text-Guided 3D Human and Object Reconstruction with Textures

TeHOR：基于文本的3D人体和物体重建与纹理

Hyeongjin Nam, Daniel Sungho Jung, Kyoung Mu Lee

机构 * Dept. of ECE&ASRI（电子工程与先进科学研究院） ； IPAI（人工智能研究所） 纠错

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

AI总结 TeHOR通过结合文本描述和外观信息，实现更准确的3D人体和物体重建，提升非接触互动的重建能力。

Comments Published at CVPR 2026, 20 pages including the supplementary material

MEt3R: Measuring Multi-View Consistency in Generated Images

MEt3R：测量生成图像的多视图一致性

Mohammad Asim, Christopher Wewer, Thomas Wimmer, Bernt Schiele, Jan Eric Lenssen

机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； Saarland Informatics Campus（萨尔州信息校园） ； ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 MEt3R是一种用于评估生成图像多视图一致性的新指标，通过密集3D重建和特征比较，独立于场景和采样过程，评估生成模型的质量。

Comments Project website: https://geometric-rl.mpi-inf.mpg.de/met3r/ Updated to Camera-Ready version

Meta-Continual Learning of Neural Fields

神经场的元持续学习

Seungyoon Woo, Junhyeog Yun, Gunhee Kim

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

专题命中 NeRF ：NeRF(abstract)

AI总结 本研究提出神经场的元持续学习方法，通过模块化架构与优化元学习策略，解决持续学习中的灾难性遗忘和收敛缓慢问题，提升重建质量和学习速度。

Comments Accepted at ICLR 2025

Augmented Radiance Field: A General Framework for Enhanced Gaussian Splatting

增强辐射场：一种改进的高斯散射通用框架

Yixin Yang, Bojian Wu, Yang Zhou, Hui Huang

机构 * VCC, CSSE, Shenzhen University（深圳大学视觉计算中心、计算机科学与工程系） ； Tencent Games（腾讯游戏） 纠错

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

AI总结 本文提出增强辐射场框架，通过视图依赖的不透明度建模镜面效应，提升3D高斯散射的渲染性能和参数效率。

Comments Accepted to ICLR 2026. Project page: \url{https://xiaoxinyyx.github.io/augs}

Speedy-Splat: Fast 3D Gaussian Splatting with Sparse Pixels and Sparse Primitives

Speedy-Splat: 通过稀疏像素和稀疏原语实现快速3D高斯点播

Alex Hanson, Allen Tu, Geng Lin, Vasu Singla, Matthias Zwicker, Tom Goldstein

机构 * University of Maryland, College Park（马里兰大学 College Park分校） 纠错

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

AI总结 Speedy-Splat通过优化渲染管线和引入剪枝技术，显著提升了3D高斯点播的渲染速度，模型大小和训练时间也得到优化。

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

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2025, pp. 21537-21546

MOGS: Monocular Object-guided Gaussian Splatting in Large Scenes

MOGS：在大场景中使用单目物体引导的高斯散射

Shengkai Zhang, Yuhe Liu, Jianhua He, Xuedou Xiao, Mozi Chen, Kezhong Liu

机构 * State Key Laboratory of Maritime Technology and Safety, Wuhan University of Technology（船舶技术与安全国家重点实验室，武汉理工大学） ； University of Essex（埃塞克斯大学） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；3DGS(abstract)；point cloud(abstract)；分类 cs.CV

AI总结 MOGS通过单目视觉-惯性传感器实现大场景中高斯散射的物体引导密集深度生成，显著降低训练时间和内存消耗，同时保持高质量渲染效果。

RAP: Fast Feedforward Rendering-Free Attribute-Guided Primitive Importance Score Prediction for Efficient 3D Gaussian Splatting Processing

RAP: 快速前馈渲染-free 属性引导的原始形体重要性分数预测用于高效3D高斯点绘处理

Kaifa Yang, Qi Yang, Yiling Xu, Zhu Li

机构 * 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） 纠错

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

AI总结 RAP通过属性引导和高效算法，实现3DGS中原始形体重要性分数的快速预测，提升重建、压缩和传输效率。

Comments Accepted by CVPR 2026

Topological Signal Processing for 3D Point Cloud Data

拓扑信号处理用于3D点云数据

Tiziana Cattai, Stefania Sardellitti, Stefania Colonnese, Sergio Barbarossa

专题命中 点云 ：point cloud(title,abstract)

AI总结 本文提出基于拓扑信号处理的3D点云分析方法，通过高阶拉普拉斯算子实现对点云颜色和几何属性的高效处理与重构。

Comments ACCEPTED PAPER TO ICASSP 2026 (IEEE International Conference on Acoustics, Speech, and Signal Processing)

Exploring Singularities in point clouds with the graph Laplacian: An explicit approach

在点云中探索奇点的图拉普拉斯方法：一种显式方法

Martin Andersson, Benny Avelin

机构 * Department of Mathematics, Uppsala University（数学系，乌普萨拉大学） 纠错

专题命中 点云 ：point cloud(title)

AI总结 本文提出了一种利用图拉普拉斯方法分析点云中奇点几何结构的理论和方法，通过显式界限检测奇点并估计其几何性质。

Comments 28 pages, 12 figures

Journal ref Journal of Computational Mathematics and Data Science 14 (2025) 100113

RADE-Net: Robust Attention Network for Radar-Only Object Detection in Adverse Weather

RADE-Net：面向恶劣天气的雷达-only目标检测稳健注意力网络

Christof Leitgeb, Thomas Puchleitner, Max Peter Ronecker, Daniel Watzenig

机构 * Infineon Technologies AG（英飞凌科技有限公司） ； Institute of Visual Computing（视觉计算研究所） ； Graz University of Technology（格拉茨工业大学） ； Virtual Vehicle Research GmbH（虚拟车辆研究有限公司） 纠错

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

AI总结 RADE-Net通过3D投影方法和轻量模型提升雷达在恶劣天气下的目标检测性能。

Comments Accepted to 2026 IEEE Intelligent Vehicles Symposium (IV)

VGGT-MPR: VGGT-Enhanced Multimodal Place Recognition in Autonomous Driving Environments

VGGT-MPR：基于VGGT的多模态地点识别在自动驾驶环境中的应用

Jingyi Xu, Zhangshuo Qi, Zhongmiao Yan, Xuyu Gao, Qianyun Jiao, Songpengcheng Xia, Xieyuanli Chen, Ling Pei

机构 * Shanghai Jiao Tong University（上海交通大学） ； Beijing Institute of Technology（北京理工大学） ； National University of Defense Technology（国防科技大学） 纠错

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

AI总结 VGGT-MPR通过视觉几何基础的Transformer实现多模态地点识别，在自动驾驶中表现出强鲁棒性。

Direction-aware 3D Large Multimodal Models

具有方向感知的3D大多模态模型

Quan Liu, Weihao Xuan, Junjue Wang, Naoto Yokoya, Ling Shao, Shijian Lu

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

AI总结 本文提出方向感知的3D大多模态模型，通过补充自身姿态并改进点云数据对齐，提升3D多模态模型的性能和通用性。

Comments In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026

RangeSAM: On the Potential of Visual Foundation Models for Range-View represented LiDAR segmentation

RangeSAM: 视觉基础模型在基于视距表示的激光雷达分割中的潜力

Paul Julius Kühn, Duc Anh Nguyen, Arjan Kuijper, Saptarshi Neil Sinha

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

AI总结 RangeSAM利用视觉基础模型SAM2改进基于视距的激光雷达分割，通过高效2D特征提取和定制架构优化，实现高效的3D分割性能。

Enhancing 3D LiDAR Segmentation by Shaping Dense and Accurate 2D Semantic Predictions

通过塑造密集且准确的2D语义预测来增强3D激光雷达分割

Xiaoyu Dong, Tiankui Xian, Wanshui Gan, Naoto Yokoya

机构 * The University of Tokyo（东京大学） 纠错

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

AI总结 本文提出MM2D3D模型，通过多模态引导滤波和动态跨伪监督提升2D预测质量，从而增强3D激光雷达分割的准确性。

Depth-PC: A Visual Servo Framework Integrated with Cross-Modality Fusion for Sim2Real Transfer

Depth-PC: 一种集成跨模态融合的视觉伺服框架用于仿真到现实迁移

Haoyu Zhang, Yang Liu, Yimu Jiang, Weiyang Lin, Chao Ye

机构 * Research Institute of Intelligent Control and Systems, Harbin Institute of Technology（智能控制与系统研究所，哈尔滨工业大学） 纠错

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

AI总结 Depth-PC通过跨模态融合和图神经网络实现零样本仿真到现实迁移的视觉伺服框架

Evaluating and Improving the Robustness of LiDAR Odometry and Localization Under Real-World Corruptions

评估和改进在真实世界腐蚀下的LiDAR里程计与定位鲁棒性

Bo Yang, Tri Minh Triet Pham, Jinqiu Yang

机构 * Department of Computer Science and Software Engineering, Concordia University（计算机科学与软件工程系，康科迪亚大学） 纠错

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

AI总结 本文提出首个评估LiDAR里程计与定位在真实世界腐蚀下鲁棒性的基准，并提出轻量级过滤与学习微调策略以提升其鲁棒性。

SemanticNVS: Improving Semantic Scene Understanding in Generative Novel View Synthesis

SemanticNVS: 提高生成式新视角合成中的语义场景理解

Xinya Chen, Christopher Wewer, Jiahao Xie, Xinting Hu, Jan Eric Lenssen

机构 * Max Planck Institute for Informatics, Saarland Informatics Campus, Germany（马克斯·普朗克研究所信息学院，萨尔兰州信息学院，德国） 纠错

专题命中 新视角合成 ：novel view synthesis(title,abstract)；分类 cs.CV

AI总结 SemanticNVS通过整合预训练语义特征提取器，提高生成式新视角合成中远距离视角下的生成质量与一致性。

LRR-Bench: Left, Right or Rotate? Vision-Language models Still Struggle With Spatial Understanding Tasks

LRR-Bench：左、右还是旋转？视觉-语言模型在空间理解任务上仍面临挑战

Fei Kong, Jinhao Duan, Kaidi Xu, Zhenhua Guo, Xiaofeng Zhu, Xiaoshuang Shi

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Drexel University（德雷塞尔大学） ； Tianyijiaotong Technology Ltd.（天奕交通技术有限公司） 纠错

专题命中 空间理解 ：spatial understanding(title,abstract)；分类 cs.CV

AI总结 LRR-Bench通过合成数据评估视觉-语言模型在空间理解任务上的性能，发现其在复杂任务上的表现远低于人类水平。

Marginalized Bundle Adjustment: Multi-View Camera Pose from Monocular Depth Estimates

边缘束调整：从单目深度估计中获取多视角相机姿态

Shengjie Zhu, Ahmed Abdelkader, Mark J. Matthews, Xiaoming Liu, Wen-Sheng Chu

机构 * Google（谷歌） ； Michigan State University（密歇根州立大学） 纠错

专题命中 SLAM与定位 ：3D vision(abstract)；point cloud(abstract)；分类 cs.CV

AI总结 本文提出边缘束调整方法，利用单目深度估计的密集深度图，有效整合到结构从运动任务中，提升多视角3D视觉性能。