3D 视觉

Neural Reconstruction of LiDAR Point Clouds under Jamming Attacks via Full-Waveform Representation and Simultaneous Laser Sensing

通过全波形表示和同时激光感知实现对抗攻击下的LiDAR点云神经重建

Ryo Yoshida, Takami Sato, Wenlun Zhang, Yuki Hayakawa, Shota Nagai, Takahiro Kado, Taro Beppu, Ibuki Fujioka, Yunshan Zhong, Kentaro Yoshioka

机构 * Keio University（庆应义塾大学） ； Sony Semiconductor Solutions（索尼半导体解决方案公司） ； Hainan University（海南大学） 纠错

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

AI总结 本文提出PULSAR-Net，利用全波形表示和同时激光感知，在对抗攻击下重建真实点云，通过轴向空间注意力机制识别攻击信号，实验显示其在静态和驾驶场景中对车辆的重建率分别达92%和73%。

Towards Foundation Models for 3D Scene Understanding: Instance-Aware Self-Supervised Learning for Point Clouds

迈向3D场景理解的基础模型：点云的实例感知自监督学习

Bin Yang, Mohamed Abdelsamad, Miao Zhang, Alexandru Paul Condurache

机构 * Bosch Research, Robert Bosch GmbH（博世研究，罗伯特·博世有限公司） ； Institute for Neuro- and Bioinformatics, University of Lübeck（神经与生物信息学研究所，吕贝克大学） 纠错

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

AI总结 本文提出PointINS框架，通过几何感知学习增强点云表示，引入ODR和SCR正则化策略，提升实例定位性能，在多个数据集上实现更优的mAP和PQ指标。

Comments The paper was accepted by CVPR2026

Octree-based Learned Point Cloud Geometry Compression: A Lossy Perspective

基于八叉树的学得点云几何压缩：一种有损视角

Kaiyu Zheng, Wei Gao, Huiming Zheng

机构 * School of Electronic and Computer Engineering, Shenzhen Graduate School, Peking University（北京大学深圳研究生院电子与计算机工程学院） 纠错

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

AI总结 本文提出针对不同点云的有损压缩方法，针对物体点云改进叶节点压缩，针对LiDAR点云提出变率控制方法，实验显示方法在物体点云上表现更优，在LiDAR点云上实现约1%的比特误差。

Annotation-Free Detection of Drivable Areas and Curbs Leveraging LiDAR Point Cloud Maps

无需标注的 drivable 区域和路障检测：利用 LiDAR 点云地图

Fulong Ma, Daojie Peng, Jun Ma

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

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

AI总结 本文提出 MADL 模块，通过 LiDAR 地图与路障检测结合，自动生成训练数据，提升 drivable 区域和路障检测的鲁棒性和准确性。

SAFT: Sensitivity-Aware Filtering and Transmission for Adaptive 3D Point Cloud Communication over Wireless Channels

SAFT：面向无线信道的自适应3D点云通信中的灵敏度感知滤波与传输

Huda Adam Sirag Mekki, Hui Yuan, Mohanad M. G. Hassan, Zejia Chen, Guanghui Zhang

机构 * School of Control Science and Engineering, Shandong University（山东大学控制科学与工程学院） ； Key Laboratory of Machine Intelligence and System Control, Ministry of Education（教育部机器智能与系统控制重点实验室） ； School of Computer Science and Technology, Shandong University（山东大学计算机科学与技术学院） 纠错

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

AI总结 本文提出SAFT框架，通过点-BERT编码器、灵敏度引导的token过滤模块、量化块和SNR感知解码器，实现自适应3D点云通信，提升低SNR下的几何保真度。

DUGAE: Unified Geometry and Attribute Enhancement via Spatiotemporal Correlations for G-PCC Compressed Dynamic Point Clouds

DUGAE：通过时空相关性实现统一的几何和属性增强以G-PCC压缩动态点云

Pan Zhao, Hui Yuan, Chang Sun, Chongzhen Tian, Raouf Hamzaoui, Sam Kwong

机构 * School of Control Science and Engineering, Shandong University（山东大学控制科学与工程学院） ； Key Laboratory of Machine Intelligence and System Control, Ministry of Education（教育部机器智能与系统控制重点实验室） ； Department of Computing and Decision Science, Lingnan University（岭南大学计算与决策科学系） 纠错

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

AI总结 DUGAE通过利用点云序列中的时空相关性，提升G-PCC压缩动态点云的几何和属性增强效果，显著提升了GeS-TM v10的性能，实现了BD-PSNR增益和比特率降低。

Fourier Decomposition for Explicit Representation of 3D Point Cloud Attributes

用于3D点云属性显式表示的傅里叶分解

Donghyun Kim, Chanyoung Kim, Hyunah Ko, Seong Jae Hwang

机构 * Yonsei University（延世大学） ； Emory University（埃默里大学） 纠错

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

AI总结 本文提出一种利用3D傅里叶分解的点云编码方法，以分离颜色和几何特征，提升多点间关系的捕捉能力，在DensePoint数据集上实现分类、分割和风格迁移的最优性能。

DC-Reg: Globally Optimal Point Cloud Registration via Tight Bounding with Difference of Convex Programming

DC-Reg: 通过紧密边界与凸优化编程实现全局最优点云配准

Wei Lian, Fei Ma, Hang Pan, Zhesen Cui, Wangmeng Zuo

机构 * Department of Computer Science, Changzhi University（长治大学计算机科学系） ； School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院） 纠错

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

AI总结 本文提出DC-Reg框架，通过紧密的分支限界搜索和凸优化编程，解决点云配准中的全局最优问题，实验显示其在速度和鲁棒性上优于现有方法。

3D sans 3D Scans: Scalable Pre-training from Video-Generated Point Clouds

3D无需3D扫描：从视频生成点云进行可扩展预训练

Ryousuke Yamada, Kohsuke Ide, Yoshihiro Fukuhara, Hirokatsu Kataoka, Gilles Puy, Andrei Bursuc, Yuki M. Asano

机构 * AIST（产业技术综合研究所） ； University of Technology Nuremberg（纽伦堡工业大学） ； University of Oxford（牛津大学） ； INRIA（法国国家信息与自动化研究所） 纠错

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

AI总结 本文提出LAM3C框架，通过视频生成点云进行自监督学习，无需真实3D扫描即可在室内语义和实例分割中取得更好性能。

Comments Accepted to CVPR 2026. Project page: https://ryosuke-yamada.github.io/lam3c/

ConcreTizer: Model Inversion Attack via Occupancy Classification and Dispersion Control for 3D Point Cloud Restoration

ConcreTizer：通过占用分类和分散控制进行模型反向攻击以恢复3D点云

Youngseok Kim, Sunwook Hwang, Hyung-Sin Kim, Saewoong Bahk

机构 * Department of Electrical and Computer Engineering, Seoul National University（首尔国立大学电气与计算机工程系） ； System LSI, Samsung Electronics（三星电子系统LSI） ； Graduate School of Data Science, Seoul National University（首尔国立大学数据科学研究生院） 纠错

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

AI总结 针对3D点云数据的模型反向攻击研究，通过占用分类和分散控制技术恢复受损点云场景，实验验证了其有效性及3D数据的脆弱性。

Comments Added acceptance note (ICLR 2025) to the heading

PointRFT: Explicit Reinforcement Fine-tuning for Point Cloud Few-shot Learning

PointRFT：针对点云少样本学习的显式强化微调

Yankai Wang, Yiding Sun, Qirui Wang, Pengbo Li, Chaoyi Lu, Dongxu Zhang

机构 * School of Software Engineering, Xi’an Jiaotong University（西安交通大学软件工程学院） ； International School, Beijing University of Posts and Telecommunications（北京邮电大学国际学院） 纠错

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

AI总结 本文提出PointRFT，一种专为点云表示学习设计的强化微调方法，通过定制奖励函数提升训练稳定性，实验表明其在多种基准上优于传统监督微调。

Contrastive Metric Learning for Point Cloud Segmentation in Highly Granular Detectors

基于对比度度量学习的点云分割方法用于高粒度探测器

Max Marriott-Clarke, Lazar Novakovic, Elizabeth Ratzer, Robert J. Bainbridge, Loukas Gouskos, Benedikt Maier

机构 * Blackett Laboratory, Imperial College London, UK（帝国理工学院伦敦学院布莱克特实验室） ； Brown Center for Theoretical Physics and Innovation (BCTPI), Brown University, USA（布朗大学理论物理与创新中心） 纠错

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

AI总结 本文提出基于监督对比度度量学习的点云分割方法，通过学习潜在表示实现点云分割，相比传统方法更稳定且分离度更高，提升重建效率和纯度。

Spatially-Aware Evaluation Framework for Aerial LiDAR Point Cloud Semantic Segmentation: Distance-Based Metrics on Challenging Regions

面向空中的激光雷达点云语义分割的空间感知评估框架：基于距离的挑战区域指标

Alex Salvatierra, José Antonio Sanz, Christian Gutiérrez, Mikel Galar

机构 * Department of Statistics, Computer Science and Mathematics and Institute of Smart Cities (ISC), Public University of Navarre (UPNA)（统计、计算机科学与数学系和智能城市研究所（ISC），纳瓦拉公共大学） ； Tracasa Instrumental 纠错

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

AI总结 本文提出一种新的评估框架，通过引入基于距离的指标和聚焦于困难点的评估方法，解决传统指标在空中有激光雷达数据中的局限性，揭示空间误差模式，提升地球观测应用中的模型选择。

Comments 11 pages, 1 figure

Riverine Land Cover Mapping through Semantic Segmentation of Multispectral Point Clouds

基于多光谱点云的河流土地覆盖制图

Sopitta Thurachen, Josef Taher, Matti Lehtomäki, Leena Matikainen, Linnea Blåfield, Mikel Calle Navarro, Antero Kukko, Tomi Westerlund, Harri Kaartinen

机构 * Department of Remote Sensing and Photogrammetry, Finnish Geospatial Research Institute FGI（遥感与摄影测量系，芬兰地理研究所） ； Faculty of Technology, University of Turku（技术学院，图尔库大学） ； Department of Geography and Geology, University of Turku（地理与地质系，图尔库大学） ； Faculty of Geological Sciences, Complutense University of Madrid（地质科学学院，马德里卡洛斯三世大学） 纠错

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

AI总结 本文利用Point Transformer v2模型对多光谱LiDAR点云进行语义分割，实现河流环境土地覆盖制图，通过几何和光谱信息识别沙地、砾石、低植被等类别，验证了该方法在实际应用中的有效性。

SymmCompletion: High-Fidelity and High-Consistency Point Cloud Completion with Symmetry Guidance

SymmCompletion: 基于对称引导的高保真高一致性点云补全

Hongyu Yan, Zijun Li, Kunming Luo, Li Lu, Ping Tan

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

AI总结 本文提出SymmCompletion方法，通过局部对称变换网络和对称引导Transformer实现高保真点云补全，解决传统方法在几何细节丢失和不一致问题。

Comments Accepted by AAAI 2025 (Oral presentation), Code: https://github.com/HongyuYann/SymmCompletion

Point-In-Context: Understanding Point Cloud via In-Context Learning

点在上下文：通过上下文学习理解点云

Mengyuan Liu, Zhongbin Fang, Xia Li, Joachim M. Buhmann, Deheng Ye, Xiangtai Li, Chen Change Loy

机构 * State Key Laboratory of General Artificial Intelligence（国家一般人工智能重点实验室） ； Peking University（北京大学） ； Shenzhen Graduate School（深圳研究生院） ； School of Intelligent Systems Engineering（智能系统工程学院） ； Sun Yat-sen University（中山大学） ； ETH Zurich（苏黎世联邦理工学院） ； Tencent Inc.（腾讯公司） ； S-Lab（S实验室） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出Point-In-Context框架，利用上下文学习实现多任务处理，通过联合采样模块和创新训练策略提升点云分割性能，无需微调即可泛化到新领域。

Comments Project page: https://fanglaosi.github.io/Point-In-Context_Pages. arXiv admin note: text overlap with arXiv:2306.08659

Mamba Learns in Context: Structure-Aware Domain Generalization for Multi-Task Point Cloud Understanding

Mamba在上下文中学习：面向多任务点云理解的结构感知领域泛化

Jincen Jiang, Qianyu Zhou, Yuhang Li, Kui Su, Meili Wang, Jian Chang, Jian Jun Zhang, Xuequan Lu

机构 * Bournemouth University（伯恩茅斯大学） ； Jilin University（吉林大学） ； The University of Western Australia（西澳大学） ； Hangzhou City University（杭州城市大学） ； Northwest A&F University（西北农林科技大学） 纠错

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

AI总结 本文提出SADG框架，通过结构感知序列化和层次领域感知建模提升多任务点云领域的结构一致性与性能。

Comments Accepted to CVPR 2026

Learning Hierarchical Orthogonal Prototypes for Generalized Few-Shot 3D Point Cloud Segmentation

学习通用少样本3D点云分割的分层正交原型

Yifei Zhao, Fanyu Zhao, Zhongyuan Zhang, Shengtang Wu, Yixuan Lin, Yinsheng Li

机构 * College of Computer Science and Artificial Intelligence（计算机科学与人工智能学院） 纠错

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

AI总结 本文提出HOP3D框架，通过分层正交原型和熵基少样本正则化，实现通用少样本3D点云分割中新型类适应与基类性能的平衡。

Comments 6 pages, 6 figures, 2 tables, Accepted by ICME 2026

PCSTracker: Long-Term Scene Flow Estimation for Point Cloud Sequences

PCSTracker: 点云序列的长期场景流估计

Min Lin, Gangwei Xu, Xianqi Wang, Yuyi Peng, Xin Yang

机构 * Huazhong University of Science and Technology（华中科技大学） ； Optics Valley Laboratory（光谷实验室） 纠错

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

AI总结 本文提出PCSTracker，通过引入IGMO和STTU模块，解决点云序列中长期场景流估计的时序一致性问题，实现实时32.5 FPS性能，优于RGB-D方法。

Comments Accepted in CVPR 2026 (Findings)

Uncertainty-aware Prototype Learning with Variational Inference for Few-shot Point Cloud Segmentation

具有不确定性意识的原型学习与变分推断用于少样本点云分割

Yifei Zhao, Fanyu Zhao, Yinsheng Li

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

AI总结 本文提出UPL方法，通过引入双流原型细化模块和变分推断框架，提升少样本点云分割的鲁棒性和不确定性建模能力，在ScanNet和S3DIS基准上取得最佳性能。

Comments 5 pages, 3 figures, 3 tables, accepted by ICASSP 2026

Rethinking Gradient-based Adversarial Attacks on Point Cloud Classification

重新思考基于梯度的点云分类对抗攻击

Jun Chen, Xinke Li, Mingyue Xu, Chongshou Li, Truiani Li

机构 * Southwest Jiaotong University（西南交通大学） ； City University of Hong Kong（香港城市大学） 纠错

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

AI总结 本文提出WAAttack和SubAttack两种策略，通过动态调整点扰动幅度和适应性步长，提升攻击效果和隐蔽性，实验表明其在生成高隐蔽性对抗示例方面优于现有方法。

Comments ICME 2026

Learning Coordinate-based Convolutional Kernels for Continuous SE(3) Equivariant and Efficient Point Cloud Analysis

学习基于坐标的卷积核以实现连续SE(3)等价性和高效的点云分析

Jaein Kim, Hee Bin Yoo, Dong-Sig Han, Byoung-Tak Zhang

机构 * Interdisciplinary Program in Neuroscience, Seoul National University（首尔国立大学神经科学跨学科项目） ； Département d’Informatique, École Normale Supérieure (ENS)（规范高等学校计算机系） ； Department of Computing, Imperial College London（伦敦帝国学院计算系） ； Department of Computer Science and Engineering, Seoul National University（首尔国立大学计算机科学与工程系） 纠错

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

AI总结 本文提出ECKConv，通过坐标基网络设计实现SE(3)等价性和高效点云处理，在分类、姿态注册等任务中验证了其性能优势。

Comments Accepted at CVPR 2026

IOSVLM: A 3D Vision-Language Model for Unified Dental Diagnosis from Intraoral Scans

IOSVLM：一种用于从牙科内窥扫描进行统一牙科诊断的3D视觉-语言模型

Huimin Xiong, Zijie Meng, Tianxiang Hu, Chenyi Zhou, Yang Feng, Zuozhu Liu

机构 * ZJU-UIUC Institute, Zhejiang University, Haining, 314400, China（浙大浙ICU研究所，浙江大学，海宁，314400，中国） ； Stomatology Hospital, School of Stomatology, Zhejiang University School of Medicine, Hangzhou, 310058, China（口腔医院，口腔医学院，浙江大学医学院，杭州，310058，中国） ； Angelalign Research Institute, Angel Align Inc., Shanghai, 200011, China（天使对齐研究院，天使对齐公司，上海，200011，中国） 纠错

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

AI总结 本文提出IOSVLM，一种端到端的3D视觉-语言模型，利用点云表示内窥扫描，并结合大规模多源数据集，提升牙科诊断和生成式视觉问答的性能。

Learning Human-Object Interaction for 3D Human Pose Estimation from LiDAR Point Clouds

从LiDAR点云学习人类-物体交互以实现3D人体姿态估计

Daniel Sungho Jung, Dohee Cho, Kyoung Mu Lee

机构 * IPAI ； Dept. of ECE&ASRI（电子与信息科学研究院） ； Seoul National University（首尔国立大学） 纠错

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

AI总结 本文提出HOIL框架，通过学习人类-物体交互缓解LiDAR点云中3D人体姿态估计的空域模糊和类别不平衡问题。

Comments Project page: https://hoil-release.github.io/

End-to-End Dexterous Grasp Learning from Single-View Point Clouds via a Multi-Object Scene Dataset

从单视角点云通过多物体场景数据集实现端到端的灵巧抓取学习

Tao Geng, Dapeng Yang, Ziwei Liu, Le Zhang, Le Qi, WangYang Li, Yi Ren, Shan Luo, Fenglei Ni

机构 * Harbin Institute of Technology（哈尔滨工业大学） 纠错

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

AI总结 本文提出DGS-Net，通过多物体场景的单视角点云学习密集抓取配置，改进了现有抓取数据集的局限性，实验显示其在仿真和真实机器人平台上的抓取成功率较高，且具有较低的穿透深度。

Comments 10 pages, 6 figures. Submitted to IEEE Transactions on Automation Science and Engineering (T-ASE)

QD-PCQA: Quality-Aware Domain Adaptation for Point Cloud Quality Assessment

QD-PCQA: 为点云质量评估的质量感知领域适应

Guohua Zhang, Jian Jin, Meiqin Liu, Chao Yao, Weisi Lin

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

AI总结 本文提出QD-PCQA框架，通过Rank-weighted Conditional Alignment和Quality-guided Feature Augmentation策略提升点云质量评估的泛化能力。

Comments Accepted by CVPR 2026

FocusTrack: One-Stage Focus-and-Suppress Framework for 3D Point Cloud Object Tracking

FocusTrack: 一种用于3D点云目标跟踪的一阶段聚焦与抑制框架

Sifan Zhou, Jiahao Nie, Ziyu Zhao, Yichao Cao, Xiaobo Lu

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

AI总结 FocusTrack通过IMM和Focus-and-Suppress Attention实现运动-语义联合建模，以一阶段框架在KITTI等基准上达到SOTA性能并实现105 FPS高帧率。

Comments Acceptted in ACM MM 2025

Unsupervised Point Cloud Pre-Training via Contrasting and Clustering

通过对比和聚类进行无监督点云预训练

Guofeng Mei, Xiaoshui Huang, Juan Liu, Jian Zhang, Qiang Wu

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

AI总结 本文提出ConClu框架，结合对比和聚类方法，提升点云预训练效果，在多个下游任务中优于现有方法。

Comments ICIP 2022

TreeON: Reconstructing 3D Tree Point Clouds from Orthophotos and Heightmaps

TreeON：从正射影像和高度图重建3D树点云

Angeliki Grammatikaki, Johannes Eschner, Pedro Hermosilla, Oscar Argudo, Manuela Waldner

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

AI总结 TreeON通过结合几何监督和可微损失，从正射影像和高度图重建高质量的3D树点云，无需物种标签或地面激光扫描数据。

Enhancing Tree Species Classification: Insights from YOLOv8 and Explainable AI Applied to TLS Point Cloud Projections

提升树种分类：基于YOLOv8和可解释AI的TLS点云投影分析

Adrian Straker, Paul Magdon, Marco Zullich, Maximilian Freudenberg, Christoph Kleinn, Johannes Breidenbach, Stefano Puliti, Nils Noelke

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

AI总结 本文通过YOLOv8和可解释AI分析TLS点云投影，提升树种分类的可解释性与判别性能。

Comments 34 pages, 17 figures, submitted to Forestry: An International Journal of Forest Research