3D 视觉

MEGA-PCC: A Mamba-based Efficient Approach for Joint Geometry and Attribute Point Cloud Compression

MEGA-PCC: 一种基于Mamba的高效联合几何与属性点云压缩方法

Kai-Hsiang Hsieh, Monyneath Yim, Wen-Hsiao Peng, Jui-Chiu Chiang

机构 * National Chung Cheng University, Taiwan（国立 Chung Cheng 大学） ； National Yang Ming Chiao Tung University, Taiwan（国立 Yang Ming Chiao Tung 大学） 纠错

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

AI总结 MEGA-PCC是一种基于Mamba的端到端点云压缩方法，通过联合编码几何和属性信息，实现高效压缩与数据驱动的比特率分配。

Comments Accepted at the IEEE/CVF Winter Conference on Applications of Computer Vision 2026 (WACV 2026)

HLS4PC: A Parametrizable Framework For Accelerating Point-Based 3D Point Cloud Models on FPGA

HLS4PC: 一种用于在FPGA上加速基于点的3D点云模型的可参数化框架

Amur Saqib Pal, Muhammad Mohsin Ghaffar, Faisal Shafait, Christian Weis, Norbert Wehn

机构 * National University of Sciences and Technology（国家科学与技术大学） ； Microelectronic Systems Design Research Group（微电子系统设计研究组） 纠错

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

AI总结 HLS4PC通过FPGA加速实现PointMLP-Lite模型，提升了3.56倍的吞吐量，并比GPU和CPU实现分别提高了2.3倍和22倍。

Comments Accepted for publication by 25th International Conference on Embedded Computer Systems: Architectures, Modeling and Simulation (SAMOS 2025)

PUFM++: Point Cloud Upsampling via Enhanced Flow Matching

PUFM++: 通过增强的流匹配进行点云上采样

Zhi-Song Liu, Chenhang He, Roland Maier, Andreas Rupp

机构 * Department of Computational Engineering, Lappeenranta-Lahti University of Technology LUT, Finland（莱佩宁拉-拉赫蒂技术大学工程学系） ； The Hong Kong Polytechnic University（香港理工大学） ； Institute for Applied and Numerical Mathematics at Karlsruhe Institute of Technology (KIT), Germany（卡尔斯鲁厄理工学院应用与数值数学研究所） ； Department of Mathematics at Saarland University, Germany（萨尔大学数学系） 纠错

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

AI总结 PUFM++通过增强的流匹配框架，提升点云上采样的几何保真度和鲁棒性，结合递归接口网络和自适应时间调度器，实现高质量点云重建。

Comments 21 pages, 15 figures

Preserving Topological and Geometric Embeddings for Point Cloud Recovery

保持拓扑和几何嵌入以恢复点云

Kaiyue Zhou, Zelong Tan, Hongxiao Wang, Ya-Li Li, Shengjin Wang

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

AI总结 本文提出TopGeoFormer架构，通过融合拓扑和几何嵌入提升点云恢复性能。

Comments Accepted to AAAI 202

Multimodal classification of forest biodiversity potential from 2D orthophotos and 3D airborne laser scanning point clouds

基于2D正射影像和3D空中激光扫描点云的森林生物多样性潜力多模态分类

Simon B. Jensen, Stefan Oehmcke, Andreas Møgelmose, Meysam Madadi, Christian Igel, Sergio Escalera, Thomas B. Moeslund

机构 * Perception Laboratory, Aalborg University, Denmark ； Pioneer Centre for Artificial Intelligence, Denmark ； Department of Computer Science, Copenhagen University, Denmark ； Institute for Visual \& Analytic Computing, Rostock University, Germany ； University of Barcelona ； Computer Vision Center, Spain 纠错

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

AI总结 本研究利用2D正射影像和3D ALS点云数据，通过多模态深度学习融合方法，实现对森林生物多样性潜力的高效评估，实验结果达到82%的准确率。

4D-RaDiff: Latent Diffusion for 4D Radar Point Cloud Generation

4D-RaDiff：用于4D雷达点云生成的潜在扩散

Jimmie Kwok, Holger Caesar, Andras Palffy

机构 * Delft University of Technology（代尔夫特理工大学） ； Perciv AI 纠错

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

AI总结 4D-RaDiff通过潜在扩散生成4D雷达点云，提升目标检测性能并减少标注数据需求

Dataset Distillation of 3D Point Clouds via Distribution Matching

通过分布匹配进行3D点云的数据集蒸馏

Jae-Young Yim, Dongwook Kim, Jae-Young Sim

机构 * Ulsan National Institute of Science and Technology（乌山国家科学研究院） 纠错

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

AI总结 本文提出了一种基于分布匹配的3D点云数据集蒸馏方法，通过优化几何结构和方向，解决点云语义错位和旋转变化问题，提升蒸馏效果。

RaLiFlow: Scene Flow Estimation with 4D Radar and LiDAR Point Clouds

RaLiFlow: 基于4D雷达和激光雷达点云的场景流估计

Jingyun Fu, Zhiyu Xiang, Na Zhao

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

AI总结 RaLiFlow是首个联合4D雷达和激光雷达的场景流学习框架，通过动态感知双向跨模态融合模块和精心设计的损失函数实现高效的雷达-激光雷达融合。

Comments Accepted by AAAI

Point2Pose: A Generative Framework for 3D Human Pose Estimation with Multi-View Point Cloud Dataset

Point2Pose：基于多视角点云数据集的3D人体姿态估计生成框架

Hyunsoo Lee, Daeum Jeon, Hyeokjae Oh

机构 * ECE, Seoul National University（首尔国立大学电子与计算机工程系） ； CS, KAIST（韩国科学技术院计算机科学系） ； Soulart Inc.（Soulart公司） 纠错

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

AI总结 Point2Pose通过生成模型和大规模数据集提升3D人体姿态估计的准确性与鲁棒性。

Comments WACV 2026 camera ready

Dual-Branch Center-Surrounding Contrast: Rethinking Contrastive Learning for 3D Point Clouds

双分支中心-周围对比：重新思考3D点云中的对比学习

Shaofeng Zhang, Xuanqi Chen, Xiangdong Zhang, Sitong Wu, Junchi Yan

机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai Jiao Tong University（上海交通大学） ； Chinese University of Hong Kong（香港中文大学） 纠错

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

AI总结 本文提出双分支中心-周围对比框架，通过双分支输入和补丁级对比损失，提升3D点云对比学习性能，达到SOTA效果。

Comments 16 pages, 6 figures

OCCDiff: Occupancy Diffusion Model for High-Fidelity 3D Building Reconstruction from Noisy Point Clouds

OCCDiff：基于点云的高保真3D建筑重建的占用扩散模型

Jialu Sui, Rui Liu, Hongsheng Zhang

机构 * Department of Geography, Faculty of Social Science, the University of Hong Kong（地理系，社会科学学院，香港大学） 纠错

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

AI总结 OCCDiff通过潜在扩散和函数自动编码器生成高保真3D建筑重建，结合点编码器与多任务训练提升鲁棒性与精度。

Query-aware Hub Prototype Learning for Few-Shot 3D Point Cloud Semantic Segmentation

面向查询的枢纽原型学习用于少样本3D点云语义分割

YiLin Zhou, Lili Wei, Zheming Xu, Ziyi Chen, Congyan Lang

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

AI总结 本文提出面向查询的枢纽原型学习方法，通过建模支持集与查询集的语义相关性，提升少样本3D点云语义分割的性能。

3D-ANC: Adaptive Neural Collapse for Robust 3D Point Cloud Recognition

3D-ANC：适应性神经坍塌用于鲁棒的3D点云识别

Yuanmin Huang, Wenxuan Li, Mi Zhang, Xiaohan Zhang, Xiaoyu You, Min Yang

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

AI总结 3D-ANC通过神经坍塌机制解决3D点云识别中的对抗攻击问题，结合ETF对齐和自适应训练框架提升模型鲁棒性。

Comments AAAI 2026

Hierarchical Image-Guided 3D Point Cloud Segmentation in Industrial Scenes via Multi-View Bayesian Fusion

基于多视角贝叶斯融合的工业场景分层图像引导3D点云分割

Yu Zhu, Naoya Chiba, Koichi Hashimoto

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

AI总结 本文提出一种分层图像引导的3D点云分割框架，通过多视角贝叶斯融合解决工业场景中的遮挡和语义不一致问题，提升分割精度与鲁棒性。

Comments Accepted to BMVC 2025 (Sheffield, UK, Nov 24-27, 2025). Supplementary video and poster available upon request

Representation Learning for Point Cloud Understanding

点云理解的表示学习

Siming Yan

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

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

AI总结 本研究提出整合预训练2D模型以提升3D点云理解的方法，通过自监督学习和迁移学习改进点云表示学习。

Comments 181 pages

PLANesT-3D: A new annotated dataset for segmentation of 3D plant point clouds

PLANesT-3D：一个用于3D植物点云分割的新标注数据集

Kerem Mertoğlu, Yusuf Şalk, Server Karahan Sarıkaya, Kaya Turgut, Yasemin Evrenesoğlu, Hakan Çevikalp, Ömer Nezih Gerek, Helin Dutağacı, David Rousseau

机构 * Faculty of Agriculture（农业学院） ； Usak University（乌萨克大学） ； Department of Electrical-Electronics Engineering（电气电子工程系） ； Eskisehir Osmangazi University（埃斯基谢普大学） ； SADC Department（SADC部门） ； Huawei Türkiye R&D Center（华为土耳其研发中心） ； Laboratoire Angevin de Recherche en Ingénierie des Systèmes (LARIS)（安热斯工程系统研究实验室） ； Université d’Angers（安格斯大学） 纠错

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

AI总结 PLANesT-3D是一个包含34个真实植物3D点云的新数据集，用于评估3D植物分割方法的泛化能力，引入了SP-LSCnet等新方法。

Manifold-Aware Point Cloud Completion via Geodesic-Attentive Hierarchical Feature Learning

基于流形的点云补全：通过测地线感知的层次特征学习

Jianan Sun, Dongzhihan Wang, Mingyu Fan

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

AI总结 本文提出基于流形的点云补全方法，通过测地线感知的层次特征学习提升几何一致性和语义准确性。

A Strong View-Free Baseline Approach for Single-View Image Guided Point Cloud Completion

一种强视图无关的单视图图像引导点云补全基线方法

Fangzhou Lin, Zilin Dai, Rigved Sanku, Songlin Hou, Kazunori D Yamada, Haichong K. Zhang, Ziming Zhang

机构 * Department of Robotics Engineering, Worcester Polytechnic Institute（机器人工程系，沃斯特理工学院） ； Dell Technologies（戴尔技术） ； Graduate School of Information Sciences, Tohoku University（信息科学研究生院，东北大学） ； Department of Computer Science, Worcester Polytechnic Institute（计算机科学系，沃斯特理工学院） ； Harvard Kenneth C. Griffin Graduate School of Arts and Sciences（哈佛肯尼斯·C·格里芬艺术与科学研究生院） ； Department of Biomedical Engineering, Worcester Polytechnic Institute（生物医学工程系，沃斯特理工学院） ； Department of Electrical & Computer Engineering, Worcester Polytechnic Institute（电气与计算机工程系，沃斯特理工学院） 纠错

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

AI总结 本文提出一种视图无关的单视图图像引导点云补全基线方法，通过多分支编码器-解码器网络和层次自融合机制，有效提升点云补全性能。

Comments 7 pages, 2 figures

PPL: Point Cloud Supervised Proprioceptive Locomotion Reinforcement Learning for Legged Robots in Crawl Spaces

PPL：用于爬行空间四足机器人感知性运动强化学习的点云监督方法

Bida Ma, Nuo Xu, Chenkun Qi, Xin Liu, Yule Mo, Jinkai Wang, Chunpeng Lu

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

AI总结 本研究提出了一种点云监督的强化学习框架，用于提升四足机器人在受限空间中的运动能力，通过高效的点云特征提取和状态估计网络实现更快的训练和更敏捷的穿行性能。

Comments Accepted by RA-L

Rethinking Multimodal Point Cloud Completion: A Completion-by-Correction Perspective

重新思考多模态点云补全：一种补全-修正视角

Wang Luo, Di Wu, Hengyuan Na, Yinlin Zhu, Miao Hu, Guocong Quan

机构 * Wang Luo, Di Wu, Hengyuan Na, Yinlin Zhu, Miao Hu, Guocong Quan（作者） 纠错

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

AI总结 PGNet通过补全-修正范式，结合多阶段框架和双特征编码，实现更鲁棒的点云补全，提升重建精度与结构一致性。

Comments Accepted by AAAI 2026

PointNet4D: A Lightweight 4D Point Cloud Video Backbone for Online and Offline Perception in Robotic Applications

PointNet4D: 一种轻量级的4D点云视频主干网络，用于机器人应用中的在线和离线感知

Yunze Liu, Zifan Wang, Peiran Wu, Jiayang Ao

机构 * Tsinghua University（清华大学） ； University of Bristol（布里斯托大学） ； The University of Melbourne（墨尔本大学） 纠错

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

AI总结 PointNet4D是一种轻量级4D点云视频主干网络，通过混合Mamba-Transformer时间融合模块和4DMAP预训练策略，提升机器人应用中的在线和离线感知性能。

Comments Accepted by WACV2026

GFT: Graph Feature Tuning for Efficient Point Cloud Analysis

GFT：用于高效点云分析的图特征调谐

Manish Dhakal, Venkat R. Dasari, Rajshekhar Sunderraman, Yi Ding

机构 * Department of Computer Science, Georgia State University（计算机科学系，佐治亚州立大学） ； DEVCOM Army Research Laboratory（陆军研究实验室） 纠错

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

AI总结 GFT通过图特征调谐方法，针对点云数据高效减少可训练参数，提升点云分析任务的效率与性能。

Comments Accepted to WACV 2026

PointNSP: Autoregressive 3D Point Cloud Generation with Next-Scale Level-of-Detail Prediction

PointNSP: 通过下一尺度细节预测实现自回归3D点云生成

Ziqiao Meng, Qichao Wang, Zhiyang Dou, Zixing Song, Zhipeng Zhou, Irwin King, Peilin Zhao

机构 * National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； University of Hong Kong（香港大学） ； University of Cambridge（剑桥大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 PointNSP通过下一尺度细节预测实现自回归3D点云生成，首次在自回归范式中达到最先进的生成质量，并在参数、训练和推理效率上超越扩散基线。

Comments 24 pages; Previously this version appeared as arXiv:2510.05613 which was submitted as a new work by accident

STPLS3D: A Large-Scale Synthetic and Real Aerial Photogrammetry 3D Point Cloud Dataset

STPLS3D: 一种大规模合成与真实空摄影测量3D点云数据集

Meida Chen, Qingyong Hu, Zifan Yu, Hugues Thomas, Andrew Feng, Yu Hou, Kyle McCullough, Fengbo Ren, Lucio Soibelman

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

AI总结 STPLS3D通过程序生成合成3D点云数据，提供大规模标注的空摄影测量数据集，包含16平方公里景观和18种细粒度语义类别，有效解决大规模数据采集与标注的挑战。

Journal ref https://bmvc2022.mpi-inf.mpg.de/429/

MLATC: Fast Hierarchical Topological Mapping from 3D LiDAR Point Clouds Based on Adaptive Resonance Theory

MLATC: 基于自适应共振理论的快速分层拓扑映射：从3D激光雷达点云

Ryosuke Ofuchi, Yuichiro Toda, Naoki Masuyama, Takayuki Matsuno

机构 * IEEE 纠错

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

AI总结 MLATC通过分层结构和自适应机制提升大规模动态环境中的拓扑图构建效率。

PFF-Net: Patch Feature Fitting for Point Cloud Normal Estimation

PFF-Net：点云法向量估计的补丁特征拟合

Qing Li, Huifang Feng, Kanle Shi, Yue Gao, Yi Fang, Yu-Shen Liu, Zhizhong Han

机构 * School of Computing and Artificial Intelligence, Southwest Jiaotong University（计算机与人工智能学院，西南交通大学） ； School of Computer and Software Engineering, Xihua University（计算机与软件工程学院，西华大学） ； School of Software, Tsinghua University（软件学院，清华大学） ； Kuaishou Technology（快手科技） ； Center for Artificial Intelligence and Robotics, New York University Abu Dhabi（人工智能与机器人中心，纽约大学阿布扎克校区） ； Department of Computer Science, Wayne State University（计算机科学系，韦恩州立大学） 纠错

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

AI总结 PFF-Net通过多尺度特征融合和聚合，实现点云法向量估计的高效准确预测。

Comments Accepted by TVCG

PointNSP: Autoregressive 3D Point Cloud Generation with Next-Scale Level-of-Detail Prediction

PointNSP: 基于下一尺度细节预测的自回归3D点云生成

Ziqiao Meng, Qichao Wang, Zhiyang Dou, Zixing Song, Zhipeng Zhou, Irwin King, Peilin Zhao

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

AI总结 PointNSP通过多尺度分解和下一尺度预测，实现自回归3D点云生成，首次在该范式中达到最先进的生成质量，并在效率和可扩展性上超越扩散基线。

Comments This work was intended as a replacement of arXiv:2503.08594 and any subsequent updates will appear there

DAPointMamba: Domain Adaptive Point Mamba for Point Cloud Completion

DAPointMamba：用于点云补全的领域自适应点Mamba

Yinghui Li, Qianyu Zhou, Di Shao, Hao Yang, Ye Zhu, Richard Dazeley, Xuequan Lu

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

AI总结 DAPointMamba通过跨域补丁级扫描、空间SSM对齐和通道SSM对齐模块，有效解决领域自适应点云补全中的几何和语义差异问题，实现高效且准确的点云补全。

Comments Accepted to AAAI 2026

FLaTEC: Frequency-Disentangled Latent Triplanes for Efficient Compression of LiDAR Point Clouds

FLaTEC：频率解耦的潜在三平面用于激光雷达点云高效压缩

Xiaoge Zhang, Zijie Wu, Mingtao Feng, Zichen Geng, Mehwish Nasim, Saeed Anwar, Ajmal Mian

机构 * University of Western Australia（西澳大学） ； Xidian University（西安电子科技大学） 纠错

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

AI总结 FLaTEC通过频率解耦的潜在三平面方法，实现激光雷达点云的高效压缩，达到最佳率失真性能，并在多个数据集上超越传统编码器。

MFM-point: Multi-scale Flow Matching for Point Cloud Generation

MFM-point: 多尺度流匹配用于点云生成

Petr Molodyk, Jaemoo Choi, David W. Romero, Ming-Yu Liu, Yongxin Chen

机构 * Georgia Institute of Technology（佐治亚理工学院） ； NVIDIA（英伟达） 纠错

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

AI总结 MFM-Point通过多尺度流匹配框架提升点云生成的可扩展性和性能，同时保持简洁高效，实现多类别和高分辨率生成任务中的优异表现。