3D 视觉

FEVessel: Mesh-Independent Analysis of 3D Pressure Vessels with the Label-Free Pretrained Finite Element Method

FEVessel：基于无标签预训练有限元方法的三维压力容器网格无关分析

Yipin Sun, Yizheng Wang, Yuzhou Lin, Baiyang Zheng, Xiaoying Zhuang, Timon Rabczuk

专题命中 点云 ：point cloud(abstract)

AI总结 研究针对三维压力容器分析中有限元方法的局限，提出FEVessel，通过编码点云、预训练算子及热启动求解器，实现跨材料等通用分析，降低误差，加速求解，能在不同网格转换且无需标签，消除手动网格修复。

ChemFusion: A Multimodal Cross-Attention Network for Reaction Yield Prediction

ChemFusion：用于反应产率预测的多模态交叉注意力网络

Qiwei Han, Chi Zhou

机构 * Duke University（杜克大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 点云 ：point cloud(abstract)

AI总结 研究过渡金属催化反应产率预测难题，提出ChemFusion多模态交叉注意力网络，融合电子特征与3D原子坐标，用交叉注意力机制，在交叉偶联库基准测试中性能出色，还能自主学习识别和惩罚空间位阻，提供物理可解释性。

Comments 10 pages, 4 figures, 2 tables

Vector alignment in matrix Lie groups

矩阵李群中的向量对齐

Congzhou M Sha

专题命中 点云 ：point cloud(abstract)

AI总结 提出一种李代数方法，通过伪逆、矩阵对数、投影到李代数和矩阵指数四步，实现任意矩阵李群中向量对齐的精确求解，并给出牛顿校正以优化噪声数据下的性能。

Comments 23 pages, 14 figures, 2 tables

Losses that Cook: Topological Optimal Transport for Structured Recipe Generation

让烹饪失败：用于结构化食谱生成的拓扑最优传输

Mattia Ottoborgo, Daniele Rege Cambrin, Paolo Garza

机构 * Trustpilot ； Politecnico di Torino（托里诺理工学院） 纠错

专题命中 点云 ：point cloud(abstract)

AI总结 本文提出拓扑损失用于生成结构化食谱，提升食材和步骤的准确性，同时改进时间与温度的精确度，实验表明模型在多个指标上表现优异。

Comments Accepted to ACL 2026 Findings

BODIESReg: An Open-Source Pipeline for Registering 3D Body Scans Using Pose-Aligned Initialization

BODIESReg：一种使用姿态对齐初始化来配准3D人体扫描的开源管道

Vikash Chaurasia, Judit Cueto Fernandez, J. Micah Prendergast, Eline van der Kruk

专题命中 点云 ：point cloud(abstract)

AI总结 研究针对生物力学模型个性化需准确识别解剖标志等，提出开源管道BODIESReg，通过姿态对齐初始化解决配准难题，在两个数据集上评估，自动配准成功率高，误差低，还提供手动校正工具，支持3D人体扫描大规模配准。

Cluster-Aware Matching via Laplacian Optimal Transport

通过拉普拉斯最优传输实现聚类感知匹配

Gabriel Samberg, YoonHaeng Hur, Yuehaw Khoo, Nir Sharon

机构 * Department of Applied Mathematics, Tel Aviv University（特拉维夫大学应用数学系） ； Department of Statistics, Columbia University（哥伦比亚大学统计系） ； Department of Statistics, University of Chicago（芝加哥大学统计系） 纠错

专题命中 点云 ：point cloud(abstract)

AI总结 针对点云具有聚类结构的匹配问题，提出基于拉普拉斯最优传输（LapOT）的聚类感知匹配方法，用二次拉普拉斯项正则化最优传输问题，引入RSC方法，经理论分析和实验证明该方法能实现点云间更一致且有意义的对齐。

GA-VINO: A Geometry-Aware Variational Physics-informed Neural Operator for Mindlin-Reissner Plates

MR-GVNO：一种面向不规则域上Mindlin-Reissner板的几何感知变分物理信息神经算子

Siqi Wang, Daobo Sun, Yizheng Wang, Yilong Zhang, Yabin Jin, Xiaoying Zhuang, Timon Rabczuk

机构 * Institute of Computational Mechanics × AI & College of Intelligent Robotics and Advanced Manufacturing, Fudan University（计算力学与人工智能学院及智能机器人与先进制造学院，复旦大学） ； School of Aerospace Engineering, Xiamen University（航空航天工程学院，厦门大学） ； Department of Engineering Mechanics, Tsinghua University（工程力学系，清华大学） ； Institute of Photonics, Department of Mathematics and Physics, Leibniz University（光子研究所，数学与物理系，莱比锡大学） ； Institute of Structural Mechanics, Bauhaus-Universität Weimar（结构力学研究所，魏玛 Bauhaus-Universität） 纠错

专题命中 点云 ：point cloud(abstract)

AI总结 提出MR-GVNO，一种几何感知变分神经算子，通过边界点云表示不规则几何，利用交叉注意力机制融合多物理场输入，基于离散总势能的变分物理信息损失无监督训练，实现对Mindlin-Reissner板问题的快速准确预测。

Effect of Local Topological Changes on Resistance in Spatially-Embedded Disordered Networks

局部拓扑变化对空间嵌入无序网络中电阻的影响

Chenxi Wang, Charles Emmett Maher, Katherine A. Newhall

专题命中 点云 ：point cloud(abstract)

AI总结 通过研究二维无序网络超材料中的Delaunay翻转，发现局部拓扑变化在靠近源或汇节点时会导致有效电阻显著跳跃，并基于边缘电压降解析解释了该现象。

Comments 14 pages 11 figures

Analysis of Semi-Supervised Learning on Hypergraphs

超图上的半监督学习分析

Adrien Weihs, Andrea L. Bertozzi, Matthew Thorpe

机构 * University of California Los Angeles（加州大学洛杉矶分校） ； University of Warwick（沃里克大学） 纠错

专题命中 点云 ：point cloud(abstract)

AI总结 研究超图上的半监督学习问题，提出高阶超图学习（HOHL）方法，通过分析随机几何超图上的变分问题，确定缩放机制，证明离散极小值收敛，还给出多尺度拉普拉斯替代并证明收敛，数值实验验证了高阶正则化的实用性。

HyperShadow: A Benchmark for Detecting 3D Projections of Higher-Dimensional Spatial Objects

HyperShadow：用于检测高维空间对象3D投影的基准测试

Akshay Sasi

专题命中 点云 ：point cloud(abstract)

AI总结 HyperShadow是用于检测高维空间对象3D投影的基准测试，通过190k参数点网络及零参数刚性见证进行检测，能在不同损坏层级达到高准确率和泛化率，为研究三维解释不兼容性提供工具，数据等已公开。

Comments 8 pages, 5 figures. Code: https://github.com/AkshaySasi/hypershadow. Dataset: https://huggingface.co/datasets/AkshaySasi/hypershadow

M3F-UAV: A Missing-Modality Multimodal Foundation Model for Low-Altitude Wireless Sensing

M3F-UAV：一种用于低空无线传感的缺失模态多模态基础模型

Pengxuan Gao, Kai Ying, Botao Wu, Jianhua Mo, Qingsong Wen

专题命中 点云 ：point cloud(abstract)

AI总结 针对复杂环境下单模态模型可靠性低的问题，提出M3F-UAV模型，通过特定模态预训练特征提取器、跨模态融合及缺失模态感知预训练，从多观测中学习统一表示，在LAMBDA数据集实验中性能优于单模态基线且在缺失模态下稳健。

Manifold Constrained Conformal Prediction for Spatial Events

空间事件的流形约束共形预测

Collin Nill, Trevor Harris, Jason Adams

机构 * Department of Statistics University of Connecticut（统计学系 美国康乃狄克大学） ； Sandia National Laboratories（桑地亚国家实验室） 纠错

专题命中 点云 ：point cloud(abstract)

AI总结 该研究针对空间事件预测，提出基于将空间点云表示为经验测度，用（切片）瓦瑟斯坦距离评分，并约束预测集在训练数据流形附近的新共形预测方法，经实验其在覆盖及距离指标上优于基线。

Comments 21 pages, 10 figures, 4 tables

Integrating Physics-Informed Neural Networks and 3D Vascular Geometry Learning for Cerebral Aneurysm Detection and Multimodal Rupture-Risk Prediction

将物理信息神经网络与3D血管几何学习相结合用于脑动脉瘤检测和多模态破裂风险预测

Eshan Vipuil, Xianqi Li

专题命中 点云 ：point cloud(abstract)

AI总结 研究旨在结合物理信息神经网络与3D血管几何学习用于脑动脉瘤检测及多模态破裂风险预测。通过基于PointNeXt的检测器识别动脉瘤，利用物理信息神经网络生成血流动力学描述符，多模态模型整合多种变量预测风险，取得良好检测及预测效果，提供了定量多模态评估策略。

Spectral-Domain Deep Learning of Intrinsic Scattering Operators for Arbitrarily Shaped Compact 3D Particles

用于任意形状紧凑三维粒子的本征散射算子的谱域深度学习

Daize Li, Jiafu Shen, Yifei Liu, Bonan Zhang, Heping Xie

专题命中 点云 ：point cloud(abstract)

AI总结 研究任意形状三维粒子光学散射预测难题，提出双谱域神经散射模型，将粒子几何压缩为球谐系数，光学响应编码为T矩阵，经谱令牌变换器训练，能恢复模态结构、再现散射图，确立谱域算子学习为有效预测途径。

Maximum diversity and weighting for invariants of periodic time series

周期时间序列不变量的最大多样性与加权

Byungchang So

专题命中 点云 ：point cloud(abstract)

AI总结 本文聚焦周期时间序列不变量，基于量和最大多样性的连续性成果，研究加权连续性及对应最大多样性的变化。通过引入新不变量用于时间序列分析，并进行简单机器学习实验，结果表明所提不变量提升了性能。

Comments 30 pages, 8 figures, 7 tables

Persistent Stiefel-Whitney Classes of Tangent Bundles

切丛的持久施蒂费尔 - 惠特尼类

Dongwoo Gang

专题命中 点云 ：point cloud(abstract)

AI总结 研究如何从有限点样本计算切丛的施蒂费尔 - 惠特尼类，核心方法是构建单纯复形滤链计算持久上同调并应用吴公式，该算法时间复杂度为多项式，能在多种情况下准确计算出切丛的此类拓扑不变量。

Comments 27 pages, 4 figures

Geometric planted matchings in high dimensions: The power of multiple views

高维几何植入匹配：多视图的力量

Timothy L. H. Wee, Kaylee Y. Yang, Zhou Fan, Cheng Mao

专题命中 点云 ：point cloud(abstract)

AI总结 研究\(\mathbb{R}^d\)中\(n\)个点与噪声置换版本的对应关系恢复问题，高维下\(b = 2\)是阈值。证明\(b < 2\)时无估计器能有效恢复。多视图推广中，\(b > K/(K - 1)\)时简单过程可恢复匹配，打破\(b = 2\)障碍。

Building confidence regions for Reeb graphs using the interleaving distance

使用交织距离构建Reeb图的置信区域

Matteo Pegoraro, Alberto Conforti, Mathieu Carrière

专题命中 点云 ：point cloud(abstract)

AI总结 该研究利用交织距离从有限样本为Reeb图开发置信区域，通过构建有限邻近图等方法，证明Reeb估计器稳定性界，导出置信区域，还比较了对象级度量与基于持久性保证，数值实验展示了特征识别及投影到Mapper图解释的过程。

Selecting Interpretable Circular Coordinates from Data

从数据中选择可解释的圆形坐标

Vincent P. Grande, Marina Meila

专题命中 点云 ：point cloud(abstract)

AI总结 研究从数据中选择可解释圆形坐标的问题，提出从候选字典选坐标的方法，在连续和离散设置下介绍相关方法及证明，通过实验验证该方法在合成示例、分子模拟和神经记录上的有效性。

Any-Dimensional Learning by Sampling

通过采样进行任意维度学习

Eitan Levin, Venkat Chandrasekaran

机构 * Department of Statistics University of Chicago（统计学系芝加哥大学） ； Department of Computing and Mathematical Sciences Department of Electrical Engineering California Institute of Technology（计算与数学科学系电气工程系加州理工学院） 纠错

专题命中 点云 ：point cloud(abstract)

AI总结 研究不同大小输入的机器学习模型泛化及评估问题，提出用随机采样映射比较不同大小输入的统一方法，刻画各采样适用领域，为相关函数类给出泛化和草图绘制率

LAMBDA: A Low-Altitude Multimodal Base Dataset for UAV Sensing and Communication

LAMBDA：用于无人机传感与通信的低空多模态基础数据集

Lin Zhou, Peichuan Rao, Chenshuo Zhang, Jianhua Mo, Shu Sun, Zhiyong Chen, Meixia Tao

专题命中 点云 ：point cloud(abstract)

AI总结 研究低空综合传感与通信需对齐多模态数据，为此引入LAMBDA数据集，通过高保真数字孪生管道生成，具有多种特性，涵盖多场景多条件，支持多种参数设置，经评估有可靠性与可用性。

Ordinal Patterns Based Testing of Spatial Independence in Irregular Spatial Structures

基于序模式的不规则空间结构中空间独立性的检验

Giorgio Micali, David Garnés-Galindo, Mariano Matilla-García, Manuel Ruiz-Marín

专题命中 点云 ：point cloud(abstract)

AI总结 本文提出一种非参数空间独立性检验方法，通过序模式编码局部空间配置，构建基于加法对数比变换的检验统计量，证明其收敛于χ²_{m!-1}分布，适用于不规则点云数据，展示序模式方法的鲁棒性与广泛应用前景。

Circular Max-Flow for Periodic Data via Reeb Graphs

基于Reeb图的周期数据环形最大流

Matteo Pegoraro, Lisbeth Fajstrup

专题命中 点云 ：point cloud(abstract)

AI总结 针对周期性边界条件数据，利用Reeb图将空间几何简化为有向一维隧道网络，并引入容量约束定义环形最大流，通过线性优化求解，无需指定进出口。

LSR-Net: Long-Short-Range Operator Learning for Pattern Dynamics on Manifolds

LSR-Net: 用于流形上模式动力学的长短程算子学习

Qian Serena Hou, Zecheng Gan

专题命中 点云 ：point cloud(abstract)

AI总结 提出LSR-Net框架，通过分解长程（SOE近似傅里叶乘子）和短程算子，结合高斯网格化与FFT，高效学习平面、球面及一般流形上的模式动力学，在多个基准系统上精度和稳定性优于基线模型。

Comments 27 pages, 12 figures

Stable complete coordinates for multisets of points via basic $r$-symmetric tropical polynomials

通过基本 $r$-对称热带多项式实现多点集稳定完备坐标

Susumu Kubo

专题命中 点云 ：point cloud(abstract)

AI总结 针对 $\mathbb{R}^r$ 中 $n$ 个无序点的多重集（点云或持久性条形码），提出使用 $\binom{n+r}{r}$ 个基本 $r$-对称热带多项式作为完备、稳定且显式的坐标，解决了长期未决问题，并证明该坐标映射是双Lipschitz嵌入。

Comments 12 pages

A Systematic Framework for Evaluating Topological Representations in Single-Cell Classification

单细胞分类中拓扑表示评估的系统框架

Rocío Picón-González, Salvador Chulián, Ana Niño-López, Álvaro Martínez-Rubio, María Rosa Durán

专题命中 点云 ：point cloud(abstract)

AI总结 提出一个双层框架，通过统计筛选和预测效用评估拓扑表示在单细胞分类中的性能，并在白血病数据上验证了不同表示方法的差异。

Multi-Modal Environment-Aware Beam Management for Massive MIMO: A Geometry-Driven Virtual Base Station Framework

大规模MIMO的多模态环境感知波束管理：一种几何驱动的虚拟基站框架

Yijie Bian, Wei Guo, Jie Yang, Shenghui Song, Jun Zhang, Shi Jin, Khaled B. Letaief

专题命中 点云 ：point cloud(abstract)

AI总结 提出几何驱动框架，利用3D LiDAR点云和位置信息构建虚拟基站数据库，通过镜像对称建模主导反射路径，实现粗信道重建和低开销波束训练，并采用双智能体深度强化学习协调波束选择，提升波束管理效率。

An Evaluation of Decentralized Group Formation Techniques for Flying Light Specks

飞行光点去中心化编队技术的评估

Hamed Alimohammadzadeh, Heather Culbertson, Shahram Ghandeharizadeh

专题命中 点云 ：point cloud(abstract)

AI总结 本文评估了四种去中心化编队技术，用于飞行光点（FLS）的3D显示，发现随机子集（RS）技术在小规模编队（G≤5）中表现最优，而最近可用邻居优先（CANF）技术在大规模编队（G≥10）中表现更佳。

Comments Appeared in ACM Multimedia Asia 2023 (MMAsia '23), December 06-08, 2023, Tainan, Taiwan. ACM, New York, NY, USA, 7 pages

ABE-VVS: Attribute-Based Encrypted Volumetric Video Streaming

ABE-VVS：基于属性的加密体积视频流

Mohammad Waquas Usmani, Susmit Shannigrahi, Michael Zink

专题命中 点云 ：point cloud(abstract)

AI总结 提出ABE-VVS框架，通过选择性加密点云坐标实现轻量级DRM，降低计算开销和延迟，实验表明仅加密X坐标可减少50%加密时间和80%解密时间，并实现零缓冲。

Comments Version 2: Extended to include experiments with RAM-based caching. The manuscript now contains 11 pages and 7 figures (including subfigures)

Efficient implementation of graph autoencoders for model-order reduction of systems with sharp gradients

用于具有尖锐梯度的系统模型降阶的图自编码器高效实现

Liam K Magargal, Parisa Khodabakhshi

专题命中 点云 ：point cloud(abstract)

AI总结 提出图自编码器与算子学习结合的GNN-LaSDI框架，用于高维动力系统的非线性降阶，在尖锐梯度区域比POD方法更准确，计算成本介于GD-LSPG和POD-LaSDI之间。

Comments 31 pages, 16 figures