3D 视觉

Neural LiDAR Bundle Adjustment

神经激光雷达光束平差

Chin Yung Anson Hon, Kaicheng Zhang, Sen Wang

机构 * Imperial College London（伦敦帝国理工学院） 纠错

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

AI总结 研究探索RGB NeRFs和LiDAR NeRFs关键设计差异，发现体素采样密度对LiDAR NeRF重要，据此提出Neural LiDAR Bundle Adjustment算法，实验证明其在多视点云配准和3D映射中有出色性能。

Comments 8 pages, 8 figures, 4 tables

Structured-Li-GS: Structured 3D Gaussians Splatting with LiDAR Incorporation and Spatial Constraints

Structured-Li-GS：结合LiDAR与空间约束的结构化3D高斯泼溅

Huaiyuan Weng, Huibin Li, Chul Min Yeum

机构 * University of Waterloo（滑铁卢大学） 纠错

专题命中 点云 ：3DGS(abstract,abstract_cn)；Gaussian Splatting(abstract)；3D reconstruction(abstract)；point cloud(abstract)

AI总结 提出Structured-Li-GS框架，利用LiDAR-惯性-视觉SLAM生成密集彩色点云，通过锚定高斯原语并初始化椭球参数，结合光度、扁平化、偏移、深度和法向损失训练，无需高斯密集化即可实现高质量3D重建，模型适中且性能优于现有方法。

Comments 9 pages, ISPRS Congress 2026

Geometry-Based Compression of Plenoptic Point Clouds

基于几何的全光点云压缩

Davi R. Freitas, Gustavo L. Sandri, Ricardo L. de Queiroz

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

AI总结 提出一种整合进MPEG G-PCC标准的PPC属性压缩方法，经不同分辨率PPC测试，性能优于现有同类方案，有望成为新最优方案。

Domain Generalizable Adaptation of 3D Vision-Language Models via Regularized Fine-Tuning

通过正则化微调实现可域泛化的3D视觉-语言模型适应

Sneha Paul, Zachary Patterson, Nizar Bouguila

机构 * Concordia University（康考迪亚大学） 纠错

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

AI总结 提出ReFine3D框架，通过选择性层调优、多视图一致性、同义词提示及点渲染视觉监督等正则化策略，提升3D大语言模型在域泛化中的性能。

Comments Accepted at Transactions on Machine Learning Research (TMLR)

Learning Manifolds in High-D Point Embedding for Anisotropic Surface Approximation from Unstructured Point Clouds

用于非结构化点云各向异性曲面逼近的高维点嵌入学习流形

Hongbo Li, Haikuan Zhu, Xiaohu Guo, Wenping Wang, Jing Hua, Zichun Zhong

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

AI总结 该研究提出HD-PEA框架，通过高维点嵌入等技术实现非结构化点云的各向异性曲面逼近，在多数据集上验证了其泛化性与可用性，性能优于现有方法。

Points as Tori: Fast Pointwise Signed Distance for Point Clouds

点作为环面：用于点云的快速逐点符号距离

Nicole Feng, Ioannis Gkioulekas, Keenan Crane

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 该研究提出一种计算点云符号距离的方法，通过用环面局部拟合点云，利用预训练网络输出参数，无需全局优化和空间离散化且易并行化，基于新理论统一相关方法，可直接用于点云应用，无需显式重建。

Comments Published in ACM Transactions on Graphics, volume 45 (2026). For associated presentations and code, see https://nzfeng.github.io/research/PointsAsTori

Journal ref ACM Transactions on Graphics, volume 45 (2026), article number 53

VTLoc: Learning-based Tactile Contact Localization in Visual Point Clouds

VTLoc：基于学习的视觉点云中触觉接触定位

Zhiyuan Wu, Zhuo Chen, Shan Luo

机构 * Department of Engineering, King’s College London（伦敦国王学院工程系） 纠错

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

AI总结 研究视觉与触觉融合的接触定位问题，提出VTLoc框架，通过几何多模态对齐模块和迭代定位更新器，利用视觉点云从触觉读数定位接触点，在新基准上减少对应模糊性，改善单触接触定位。

Image-to-Point Cloud Registration Made Easy with Rectified Flow-based LiDAR Upsampling

基于整流流的激光雷达上采样实现图像到点云配准简化

Reon Tabata, Kenji Koide, Shuji Oishi, Masashi Yokozuka, Taku Okawara, Aoki Takanose, Jun Miura

机构 * Department of Computer Science and Engineering, Toyohashi University of Technology（丰桥技术科学大学计算机科学与工程系） ； National Institute of Advanced Industrial Science and Technology（国立先进工业科学技术研究所） 纠错

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

AI总结 研究图像到点云配准难题，提出将激光雷达视为成像传感器的方法，通过条件整流流、特征匹配等步骤估计位姿，经自监督预训练和少量数据微调，实现高精度快速配准，性能优于现有方法。

G-PROBE: Cross-FOV Place Recognition and Certainty-Coupled Localization for 3D Point Clouds

G-PROBE：用于3D点云的跨视场位置识别和确定性耦合定位

Jinseop Lee

机构 * SK Intellix（SK智能科技） 纠错

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

AI总结 研究针对3D点云在有限或不对称视场下全局定位难的问题，提出G-PROBE框架。通过虚拟传感器分解、跨视场分支集合等方法，结合确定性耦合定位，无需学习。在多数据集和模式上评估，该框架性能出色，端到端可用性高，在不对称视场下优势明显。

Comments 18 pages, 9 figures

Benchmarking Federated Learning and Knowledge Distillation for Point Cloud Classification

联邦学习与知识蒸馏在点云分类中的基准测试

Aizierjiang Aiersilan

机构 * University of Macau（澳门大学） 纠错

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

AI总结 针对隐私敏感和资源受限场景，联合评估联邦学习与知识蒸馏在3D点云分类中的性能，发现极端非独立同分布标签偏移下联邦学习性能下降，蒸馏可压缩模型且避免标签泄露问题。

Comments We are pleased to announce that this paper has been accepted by the 19th European Conference on Computer Vision (ECCV 2026). We appreciate the valuable feedback from the reviewers and look forward to sharing our findings with the community

Generalized-CVO: Fast and Correspondence-Free Local Point Cloud Registration with Second Order Riemannian Optimization

广义CVO：基于二阶黎曼优化的快速无对应局部点云配准

Ray Zhang, Marcus Greiff, Thomas Lew, John Subosits

机构 * Toyota Research Institute（丰田研究院） 纠错

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

AI总结 提出一种基于几何表面结构和再生核希尔伯特空间嵌入的无对应局部点云配准方法，采用二阶流形优化实现高达10倍加速，在LiDAR和RGB-D跟踪及物体配准中显著降低漂移并提升鲁棒性。

Comments 16 pages, 12 figures

PCQA-R1: Advancing Generalized 3D Point Cloud Quality Assessment with Reinforcement Learning

PCQA-R1：基于强化学习的通用三维点云质量评估方法

Kangning Ye, Yunhao Li, Sijing Wu, Yucheng Zhu, Guangtao Zhai

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

AI总结 本文提出首个用于三维点云质量评估的强化学习LMM PCQA-R1，基于GRPO策略构建PCQA-CoT数据集并引入高斯 proximity 奖励，在跨数据集泛化和域内准确率上表现优异。

COSTA: A Cluster-Centric Paradigm for Annotation-Free Open-Set Semantic Segmentation of Aerial Point Clouds with Domain Shifts

COSTA：面向存在域偏移的航拍点云无标注开放集语义分割的以聚类为中心范式

Yanghong Lin, Li Fang, Tianyu Li, Shudong Zhou, Wei Yao

机构 * Fujian Institute of Research on the Structure of Matter, Chinese Academy of Sciences（中国科学院福建物质结构研究所） ； Institute of Urban Environment, Chinese Academy of Sciences（中国科学院城市环境研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； School of Resource and Environmental Sciences, Wuhan University（武汉大学资源与环境科学学院） 纠错

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

AI总结 COSTA提出以聚类为中心的范式，无需额外训练即可在推理阶段将预训练航拍点云分割模型适配到偏移目标域，在三个基准上实现按需分割，mIoU达70.09%。

PCT-Prompt: A Prompt-Guided Transformer Framework for Dense Prediction Tasks in Point Clouds

PCT-Prompt：用于点云密集预测任务的提示引导Transformer框架

Dejun Zhang, Yanzi Bai, Yiqi Wu

机构 * China University of Geosciences（中国地质大学） ； Li Auto Inc（理想汽车） 纠错

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

AI总结 PCT-Prompt是一种提示引导Transformer框架，通过引入提示引导特征分支和提示丢弃机制，提升了标准Transformer在点云密集预测任务中的适应性，在多个公开数据集上取得了优异性能。

ProjFormer: Point Cloud Completion via Geometric-Projective Transformer and Cross-Modal Semantic Constraints

ProjFormer：基于几何投影Transformer与跨模态语义约束的点云补全

Sheng Liu, Meng Wang, Ruihui Li, Huilong Pi, Zhuo Tang, Kenli Li

机构 * Hunan University（湖南大学） 纠错

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

AI总结 针对现有点云补全方法几何一致性与适应性不足的问题，提出ProjFormer跨模态框架，通过投影引导视图注意力模块与几何感知路由网络实现高效特征聚合与融合，在轻量级设计下取得了具竞争力的补全性能。

Comments Accepted by ACM Multimedia 2026. 10 pages, 6 figures, 5 tables

IRGNN: Efficient Invariant Radar Graph Neural Network for Radar Point Cloud Object Detection

IRGNN：用于雷达点云目标检测的高效不变雷达图神经网络

Xiao Guo, Wanke Xia, Lili Yang, Caicong Wu

机构 * China Agricultural University（中国农业大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 针对雷达点云稀疏无序、信息不足难以适配现有激光雷达方法的问题，提出IRGNN，通过不变特征设计、改进MPNN及任务头实现目标检测，在RadarScenes数据集上性能更优且推理效率更高。

Comments Accepted at ICONIP 2026

Boundary-Enhanced Segmentation of Pig Point Clouds in Commercial Housing Environments

商业养殖环境下猪只点云的边界增强分割

Zhankang Xu, Fei Shi, Xiangyu Qi, Zhaoyang Wang, Mengxin Guo, Yikai Fan, Simon X. Yang, Qifeng Li, Weihong Ma

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

AI总结 针对商业猪舍中猪只点云分割的边界模糊等问题，采用Octree Transformer骨干网络，结合软距离边界伪标签与双向跨边界语义模块，提升分割性能，为精准畜牧养殖提供可靠输入。

Comments 24 pages,9 figures, 5 tables

Sign Language Recognition Using Original and Synthetic Depth Image Based Point Cloud Data Models

基于原始和合成深度图像的点云数据模型的手语识别

Rustem Ozakar, Eyup Gedikli

机构 * Erzurum Technical University（埃尔祖鲁姆技术大学） ； Trabzon University（特拉布宗大学） 纠错

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

AI总结 该研究利用Depth Anything V2生成合成深度图像，结合三个手语数据集，采用PointNet等模型对比原始与合成深度图像点云的手语识别性能，发现多数模型中原始数据性能更优，部分模型合成数据更优。

Damage Classification for 3D Point Cloud Data via 3D Data Analysis and Vision Foundation Model-based 2D Projections

基于三维数据分析与视觉基础模型二维投影的三维点云数据损伤分类

Evan Perez, Kalelo Dukuray, Erika Ardiles-Cruz, Jie Wei

机构 * City College of New York（纽约城市学院） ； Air Force Research Lab（空军研究实验室） 纠错

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

AI总结 本研究针对三维点云损伤分类的挑战，提出3PDA与2PDA两种算法，2PDA准确率略低但计算成本大幅降低且泛化性更强，为相关任务提供了高效替代方案。

Synthetic LiDAR Data Generation and Deterministic Downsampling for Point Cloud Classification on the Edge

面向边缘设备点云分类的合成激光雷达数据生成与确定性下采样

Niclas Meyer, Stefan Reitmann

机构 * Chemnitz University of Technology（开姆尼茨工业大学） 纠错

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

AI总结 本文针对三维深度学习框架在边缘设备部署的瓶颈，提出适配树莓派5的硬件受限工作流，通过合成LiDAR数据集和特征驱动的CPL层，实现边缘端50 FPS推理与88.36%分类准确率，验证了边缘实时三维感知的可行性。

PathCover: A Fast Convex Decomposition along a Path via Randomized Iterative Space Partitioning (RISP) on Point Clouds

PathCover：基于点云的随机迭代空间划分（RISP）沿路径的快速凸分解

Kunal S. Narkhede, Abhijeet M. Kulkarni, Guoquan Huang, Ioannis Poulakakis

机构 * University of Delaware（特拉华大学） ； Athena Research Center（雅典娜研究中心） ； National Technical University of Athens（雅典国家技术大学） ； HERON–Center of Excellence in Robotics（赫伦机器人卓越中心） 纠错

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

AI总结 PathCover是基于点云的快速凸分解框架，采用RISP算法，可高效生成无障碍物多面体，速度较现有方法提升一个数量级，经仿真与实机验证适用于机器人导航。

Comments 13 pages, 5 figures

Hierarchical Flow Matching for 3D Point Cloud Generation

用于三维点云生成的分层流匹配

Linhao Wang, Qichang Zhang, Ye Su, Hao Wang

机构 * Shandong Normal University（山东师范大学） ； University of Macau（澳门大学） 纠错

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

AI总结 针对现有三维点云生成方法的缺陷，提出分层流匹配（HFM），将流匹配扩展为双级结构，在ShapeNet等基准上实现了有竞争力的生成性能。

Learning Biomechanically Plausible Human Motion from Sparse Radar Point Clouds

从稀疏雷达点云学习符合生物力学原理的人体运动

Jonas Leo Mueller, Markus Gambietz, Alexander Weiss, Daniel Krauss, Bjoern M. Eskofier

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

AI总结 本研究构建整合全身骨骼模型的端到端雷达姿态估计框架，在11名康复训练受试者的交叉验证中实现多项精准指标，证明从低成本雷达恢复生物力学描述符的可行性，为临床运动分析奠定基础。

Test Time Adaptation Methods for Point Cloud Registration in Laparoscopic Surgery

腹腔镜手术中点云配准的测试时自适应方法

Nina Bodelot, Soufiane Belharbi, Eric Granger

机构 * ETS Montreal（蒙特利尔理工学院） ； LIVIA（LIVIA实验室） 纠错

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

AI总结 该研究针对腹腔镜手术中点云配准的域偏移问题，修改三类测试时自适应方法适配三维配准，经实验验证输入自适应是低延迟且误差降低效果稳定的最优方案。

Learning to Tessellate: Point Cloud Generation via Recursive Spectral Partitioning

学习镶嵌：通过递归谱划分生成点云

Monan Sun, Bangzhen Liu, Huaidong Zhang, Shengfeng He

机构 * South China University of Technology（华南理工大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； City University of Hong Kong（香港城市大学） ； Singapore Management University（新加坡管理大学） 纠错

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

AI总结 该研究提出自回归框架PointRSP，通过拓扑保留的递归谱划分实现点云生成，引入拓扑感知划分自编码器与双流级联生成器，在生成质量、多样性及复杂3D拓扑泛化上达最优性能。

Comments Accepted by ECCV2026, project page: https://huggingface.co/Mo-nan/PointRSP

On the Efficacy of Self-Supervised Point Cloud Encoders for Efficient 3D Large Language Models

自监督点云编码器在高效3D大语言模型中的效能研究

Yao Zheng, Tian Zhang

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

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

AI总结 该研究探究低成本自监督点云编码器能否替代昂贵多模态编码器用于3D-LLM，经实验发现其与架构存在强交互，为高性价比3D-LLM设计提供指南。

Comments 14 pages, 3 figures. This work has been previously released as a preprint on ChinaXiv (No. ChinaXiv:202607.00167, DOI: 10.12074/202607.00167)

Parameter-Efficient Fine-Tuning for Spiking Point Cloud Models

用于脉冲点云模型的参数高效微调

Zihao Guo, Jihua Zhu, Yiding Sun, Lin Chen, Danwei Wang

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

AI总结 针对脉冲点云模型全微调开销大、亚阈值信息被抑制的问题，提出首个参数高效微调框架SpikePEFT，通过IDT和SSDA技术，在仅更新约5%参数的情况下，在多个基准上取得优异分类准确率，同时保持SNN的节能特性。

Point2Radio: A Foundation Model for Cross-Scene Radio Fields from Material-Aware Point Clouds

Point2Radio：面向材料感知点云的跨场景无线电场基础模型

Chaozheng Wen, Chenghong Bian, Hongze Chen, Jun Zhang

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

AI总结 Point2Radio是从多环境学习可迁移传播先验的基础模型，基于材料感知点云实现跨场景无线电场预测，在路径增益预测上较UNet基线误差降76.7%，轻量微调可提升环境适应性。

Long-Tailed 3D Point Cloud Dataset Distillation

长尾3D点云数据集蒸馏

Jiahao You, Xu Han, Jinfeng Xu, Xianzhi Li

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

AI总结 本研究针对长尾3D点云数据集蒸馏问题，提出含自适应合成预算分配与3D长尾分布匹配模块的框架，在ShapeNet55上使分类准确率较SOTA提升7.0个百分点。

FPSGen: Flexible Point Cloud Scene Generation with BEV-Supported Transport Flows

FPSGen：基于鸟瞰图支持的传输流的灵活点云场景生成

Wenzhe He, Meng Wang, JiaWei Qian, Jinfeng Xu, Ying Liu, Ruihui Li

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

AI总结 FPSGen是一种不依赖部分扫描结果的灵活点云场景生成框架，通过BEV先验构建点源与路径拉直传输方案，在SemanticKITTI补全和KITTI-360无条件生成任务上达到先进性能。

Comments 34 pages, 16 figures