3D 视觉

Efficient RWKV-based Representation Learning for 3D Point Clouds

基于高效RWKV的三维点云表示学习

Yun Liu, Xuefeng Yan, Liangliang Nan, Xianzhi Li, Peng Li, Zhe Zhu, Honghua Chen, Mingqiang Wei

机构 * School of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics（南京航空航天大学计算机科学与技术学院） ； Shenzhen Institute of Research, Nanjing University of Aeronautics and Astronautics（南京航空航天大学深圳研究院） ； Collaborative Innovation Center of Novel Software Technology and Industrialization（新型软件技术与产业化协同创新中心） ； Urban Data Science section, Delft University of Technology（代尔夫特理工大学城市数据科学部） ； Huazhong University of Science and Technology（华中科技大学） 纠错

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

AI总结 提出P-RWKV模块，通过局部感知扩展和空间上下文增强，将RWKV从序列建模适配到3D点云，实现线性复杂度的全局依赖建模，在多项任务中以更低计算成本取得竞争性能。

Illumination-Invariant Anomaly Detection for Sub-Canopy UAV Multispectral Point Clouds

林冠下无人机多光谱点云的照度不变异常检测

Likun Chen, Yanfeng Gu, Xian Li

机构 * School of Electronics and Information Engineering（电子信息工程学院） ； 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.CV

AI总结 针对植被阴影导致的严重光照异质性，提出无先验异常检测框架，通过太阳角度估计与照度一致稀疏表示，有效分离暗目标与真实阴影，提升复杂森林环境中异常与背景的可分离性。

Comments 5 pages, 8 figures

DAL-PCQA: Enabling Distortion-Level and Language-Driven Reasoning for Point Cloud Quality Assessment

DAL-PCQA：实现点云质量评估的失真级别与语言驱动推理

Swarna Chakraborty, Gabriel De Castro Araújo, Syeda Tasmi Faria, Marcelo M. Carvalho, Mylene C. Q. Farias

机构 * University of Brasília（巴西利亚大学） 纠错

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

AI总结 提出DAL-PCQA数据集，通过多级失真标签、质量类别和自然语言描述，结合零样本与微调多模态模型，实现可解释的点云质量评估。

Comments Accepted at Qomex 2026

Geometric-Aware Hypergraph Reasoning for Novel Class Discovery in Point Cloud Segmentation

几何感知超图推理用于点云分割中的新类别发现

Zihao Zhang, Aming Wu, Yang Li, Yahong Han, Jialie Shen

机构 * School of Artificial Intelligence, College of Intelligence and Computing, Tianjin University（人工智能学院、智能计算学院、天津大学） ； School of Computer Science and Information Engineering, Hefei University of Technology（计算机科学与信息工程学院、合肥工业大学） ； Department of Computer Science City St George’s, University of London（伦敦大学城市圣乔治学院计算机科学系） 纠错

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

AI总结 提出超图框架建模高阶关联，结合几何感知原型，实现点云分割中从已知到新类别的协同推理，提升分割精度。

Comments Accepted to the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026

Active Spiking Perception: The Membrane Potential as a Belief State for Anytime 3D Point Cloud Recognition

主动脉冲感知：作为任何时刻3D点云识别置信状态的膜电位

Akarsh Jain, Arya Pawa, Ayush Debnath, Smera Rawal, Sayeed Shafayet Chowdhury

专题命中 点云 ：point cloud(title,abstract)

AI总结 提出主动脉冲感知（ASP），以LIF膜电位为置信状态实现3D点云识别的迭代决策，在ModelNet等数据集取得结果，机制可迁移至密集预测，能耗可降2.8倍至1.35倍。

Comments 28 pages, 9 figures, 17 tables. Supplementary material included as appendices A-J

Distance Matrices of Ordered Point Clouds and Their Persistent Homology

有序点云的距离矩阵及其持续同调

David Hien

专题命中 点云 ：point cloud(title,abstract)

AI总结 该研究建立了时间序列的距离矩阵滤过与其状态空间嵌入的Čech/Vietoris–Rips滤过的一次链映射关系，简化了时间序列分析的循环特征计算，可用于分析循环运动的转变。

ResPCC: A Loss-Resilient Neural Point Cloud Codec over Lossy Networks

ResPCC：有损网络中具备抗丢包能力的神经点云编解码器

Xueqin Niu, Mufan Liu, Yifan Wang, Le Yang, Jun Sun, Yiling Xu

专题命中 点云 ：point cloud(title,abstract)

AI总结 针对有损网络中点云压缩的数据包丢失问题，提出具备感知丢包率能力的ResPCC编解码器，通过CALM、SCI、MGLR、DBR等模块提升稳定性与率失真性能，在5%-30%丢包率下优于基线方法，为3D数据传输提供可靠方案。

A Gaussian Process Model of 3D Udder Point Clouds for Teat Length Phenotyping in Dairy Cows

用于奶牛乳头长度表型分析的3D乳房点云高斯过程模型

Maria E. Montes, João R. R. Doréa, Christopher J. Geoga

专题命中 点云 ：point cloud(title,abstract)

AI总结 针对奶牛乳房点云乳头标志自动检测难题，提出基于高斯过程的乳头长度估计方法，通过低秩近似降低计算复杂度，较现有方法精度更高、速度更快，鲁棒性更强，适配大规模自动化表型分析。

Gradient Descent on Point Clouds and Applications in Learned Operator Correction

点云上的梯度下降及其在学习算子校正中的应用

Andreas Hauptmann, Yury Korolev, Matthew Thorpe

专题命中 点云 ：point cloud(title,abstract)

AI总结 该研究针对点云隐式未知流形上的能量最小化问题，提出了一种保持在流形邻域内的梯度下降格式，并将其应用于逆问题的学习算子校正。

Error-bounded Point Cloud Compression Using Truncated Octahedron Quantization

基于截角八面体量化的误差受限点云压缩

Youyuan Liu, Longtao Zhang, Ruoyu Li, Bo Jiang, Taolue Yang, Kai Zhao, Sheng Di, Eduard Dragut, Sian Jin

专题命中 点云 ：point cloud(title,abstract)

AI总结 针对现有点云压缩技术不适用于密集科学数据的问题，提出基于截角八面体量化的XnYZip压缩器，可提升压缩比与处理速度，降低存储开销。

Comments accepted by VLDB 2026

MiSS: A Logic-Driven Explanation of Minimal Sufficient Coalitions for Point Cloud Classifiers

MiSS：点云分类器最小充分联盟的逻辑驱动解释

Mengda Xing, Jean-Marie Lagniez

专题命中 点云 ：point cloud(title,abstract)

AI总结 研究针对3D点云分类器，提出MiSS框架，通过扰动相对充分性推理来解释。该框架将候选提议与验证分开，由加权MaxSAT过程提议联盟，黑盒统计预言机确定充分性，实验表明其在精度、覆盖率和解释时间上优于基于规则的基线和穷举搜索。

Conditional Generative Learning Enabled Wireless UAV Sensing and Tracking via Point Cloud Imaging

基于点云成像的条件生成学习实现无线无人机感知与跟踪

Xinhong Dai, Yuan Gao, Hao Jiang, Xiaojun Yuan, Xin Wang

专题命中 点云 ：point cloud(title,abstract)

AI总结 研究无人机感知与跟踪问题，提出AUGUST方法，集成条件信道编码与生成解码模块，通过位置和信噪比嵌入及加权训练目标的扩散模型，实现更准确的无人机点云重建与定位，提升对其姿态和形状信息的捕获能力。

Comments 16pages, 13figures

Heavy-Flavor Electron Classification Using Hadronic Environment as Point Cloud

使用强子环境作为点云的重味电子分类

Jingyu Zhang, Wanbing He, Long Ma

专题命中 点云 ：point cloud(title,abstract)

AI总结 将强子环境表示为点云，利用集合机器学习架构区分粲和底起源电子，发现性能受限于强子结构内在相似性，在40%效率下纯度约80%，优于传统BDT基线。

Comments 8 pages, 10 figures

RigPAPR: Rig-Based Animation of Static Neural Point Clouds from a Fixed-Viewpoint Video

RigPAPR：基于固定视角视频的静态神经点云绑定动画

Shichong Peng, Yanshu Zhang, Ke Li

机构 * APEX Lab（APEX实验室） ； School of Computing Science（计算科学学院） ； Simon Fraser University（西蒙弗雷泽大学） 纠错

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

AI总结 提出RigPAPR方法，通过直接线性混合蒙皮驱动静态神经点云，无需网格代理或姿态依赖校正，在合成和真实数据上减少关节边界伪影，新视角PSNR提升3+dB。

Comments An overview video is available at https://youtu.be/up3BwRHYWG8

Self-Geometry: GT-Free and Plug-and-Play Test-Time Adaptation for Geometrically Consistent 3D Vision Foundation Models

自几何：面向几何一致的3D视觉基础模型的无GT、即插即用测试时自适应方法

Seokhyun Youn, Dahyeon Kye, Sung-Ho Bae, Jihyong Oh

机构 * Chung-Ang University（中央大学） ； Kyung Hee University（庆熙大学） 纠错

专题命中 点云 ：3D vision(title)；分类 cs.CV

AI总结 本文针对3D视觉基础模型测试时几何一致性不足的问题，提出即插即用的Self-Geometry自适应流水线，结合多视图与对极一致性损失等，在6种模型和4个基准上实现位姿与几何估计的一致提升。

Comments Project page: https://cmlab-korea.github.io/Self-Geometry/

Point Ladder Tuning: Parameter-Efficient Hierarchical Adaptation for 3D Point Cloud Understanding

点阶梯调优：用于3D点云理解的参数高效分层适配

Junlin Chang, Longhao Zou, Rui Li

机构 * Beihang University（北京航空航天大学） ； Pengcheng Laboratory（鹏城实验室） 纠错

专题命中 点云 ：point cloud(title)；分类 cs.CV

AI总结 研究针对3D点云理解中微调预训练主干参数效率低的问题，提出点阶梯调优框架PLT，通过构建分层网络、融合局部与全局特征、生成动态提示等进行参数高效分层适配，实验表明其以极少参数达最优性能。

Comments Accepted to ECCV 2026. Code: https://github.com/JunLinChang/ECCV2026-PLT

Point as Skeleton: Accumulated Point Cloud Enhanced Autoregressive Generation for Closed-Loop Autonomous Driving Simulation

点作为骨架：累积点云增强自回归生成用于闭环自动驾驶模拟

Songbur Wong, Xiaosong Jia, Junqi You, Bo Zhang, Pei Xu, Renqiu Xia, Yuping Qiu, Shaofeng Zhang, Zelin Zhao, Xuechao Yan, Yuchen Zhou, Yurui Chen, Wen Guo, Hang Xu, Junchi Yan

机构 * Shanghai Jiao Tong University（上海交通大学） ； Yinwang Intelligent Technology Co., Ltd.（银望智能科技有限公司） ； Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Science and Technology of China（中国科学技术大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 点云 ：point cloud(title)；分类 cs.CV

AI总结 针对自动驾驶模拟难题，提出“点作为骨架”框架，通过自回归生成器结合多种条件合成视频，引入Reset-and-Roll支持闭环，用点云骨架稳定误差，实现基于nuPlan的闭环生成接口，实验证明其提升了闭环自回归生成质量。

Learning Motion Feasibility from Point Clouds in Cluttered Environments

从杂乱环境中的点云学习运动可行性

Sajid Ansari, Arthi, Girish Varma, Antony Thomas

机构 * International Institute of Information Technology Hyderabad（国际信息技术学院海得拉巴） 纠错

专题命中 点云 ：point cloud(title)；分类 cs.RO

AI总结 提出直接从RGB-D观测学习7自由度机械臂运动可行性预测的方法，构建包含270万抓取可行性标签的大规模基准，并评估三种分类器架构，最佳模型GRASPFC-PTX在新型物体上AUROC达0.996且预测速度远超基于采样的运动规划器。

Dynamic Object Detection and Tracking in Construction: A Fisheye Camera and LiDAR Sensor Fusion Model

建筑中的动态目标检测与跟踪：一种鱼眼相机与激光雷达传感器融合模型

Yilong Chen, Huili Huang, Yong K. Cho

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 针对建筑等复杂环境中机器人动态目标检测与跟踪问题，提出融合鱼眼相机与激光雷达传感器的框架，通过在配准点云里识别移动物体、投影坐标分配语义标签并结合图像检测更新卡尔曼滤波器观测，具有高精度、简单且鲁棒的特点。

Comments 4 pages, 8 figures, submitted to IEEE International Conference on Robotics and Automation (ICRA) 2025 Future of Construction Workshop

iVISION-2DCD: A Long-Term Change Detection Dataset for Large-Scale Outdoor Construction Monitoring

iVISION-2DCD：用于大规模户外建筑监测的长期变化检测数据集

Dayou Mao, Yuchen Lin, Ashkan Ebadi, John Zelek, Alexander Wong, Yuhao Chen

机构 * National Research Council Canada（加拿大国家研究委员会） ； Vision and Image Processing Research Group, Systems Design Engineering, University of Waterloo（滑铁卢大学系统设计工程系视觉与图像处理研究小组） 纠错

专题命中 点云 ：point cloud(abstract)；novel view synthesis(abstract)；分类 cs.CV、cs.RO

AI总结 研究从检测建筑工地变化监测施工进度，针对跨视角变化检测算法缺开源基准数据集问题，用LiDAR点云生成iVISION-2DCD数据集，提出合成数据生成等方法，为相关领域带来新挑战。

Comments 11 pages, 7 figures, 1 table. Accepted for publication at the 2026 IEEE International Conference on Robotics and Automation (ICRA 2026). Project page: https://danielmao2019.github.io/iVISION-2DCD-dataset.github.io/

LOGOS: LiDAR-Only Gaussian Elevation Splatting for Unified Tiny Obstacle Segmentation

LOGOS: 仅基于激光雷达的高斯高程喷溅用于统一微小障碍物分割

Nan Ming, Yeqiang Qian, Chunxiang Wang, Ming Yang

机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） 纠错

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

AI总结 提出LOGOS系统，通过将路面建模为2D高斯原语的连续混合，利用无反向传播的激光雷达方法估计高程，实现微小障碍物分割，在道路和越野场景中优于现有方法。

BridgeVLA++: A Data-Efficient, Generalizable, and Memory-Augmented Vision-Language-Action Framework for 3D Manipulation

BridgeVLA++：一种面向三维操作的数据高效、可泛化且内存增强的视觉-语言-动作框架

Peiyan Li, Yuze Zhu, Yixiang Chen, Qisen Ma, Yuan Xu, Jiabing Yang, He Guan, Yan Huang, Hongtao Wu, Xiao Ma, Tao Kong, Liang Wang, Tieniu Tan

机构 * New Laboratory of Pattern Recognition (NLPR), Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所模式识别国家重点实验室（NLPR）） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； FiveAges ； ByteDance Seed（字节跳动种子实验室） 纠错

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

AI总结 本研究提出内存增强的三维VLA框架BridgeVLA++，通过新增时空记忆架构，在保留原模型数据效率与泛化能力的同时，提升了记忆相关操作性能，且在多任务与真实平台上验证了其有效性。

Comments This work has been submitted to the IEEE TPAMI for possible publication. Copyright may be transferred without notice, after which this version may no longer be accessible

Wat3R: Underwater 3D Geometry Learning without Annotations

Wat3R：无需标注的水下3D几何学习

Jiangwei Ren, Xingyu Jiang, Zijie Song, Wei Xu, Hongkai Lin, Dingkang Liang, Xiang Bai

机构 * Huazhong University of Science and Technology（华中科技大学） 纠错

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

AI总结 针对水下3D几何估计难题，提出跨域半监督学习框架Wat3R，基于师生架构，无需标注水下数据，利用未标注视频学习，设计跨视图一致性损失，构建Water3D数据集，实验证明其在水下多视图深度估计和点云重建上性能优于现有方法。

Comments Accepted to ECCV 2026. The dataset and code are available at https://github.com/LSXI7/Wat3R

Geometry-Aware Motion Latents for Learning Robust Manipulation Policies

用于学习鲁棒操纵策略的几何感知运动潜变量

Yunchao Zhang, Yijia Weng, Ruizhe Liu, Ming Hu, Leonidas Guibas, Yanchao Yang

机构 * Department of Computer Science, The University of Hong Kong（香港大学计算机科学系） 纠错

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

AI总结 研究如何学习机器人操纵的运动潜变量，核心方法是通过预测点云在操纵过程中的演变来学习离散运动潜码，贡献是仅用单视图RGB-D输入达先进性能，验证几何预测是关键，且潜码有有效运动抽象能力。

MM-TRELLIS: Point-Cloud Guided Multi-Modal 3D Vehicle Generation in Autonomous Driving

MM-TRELLIS: 自动驾驶中基于点云引导的多模态3D车辆生成

Hongli Xiao, Youjian Zhang, Yucai Bai, Chaoyue Wang, Yaohui Jin, Xiaoguang Ren, Wenjing Yang, Long Lan

机构 * MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（上海交通大学人工智能研究院教育部人工智能重点实验室） ； Academy of Military Science（军事科学院） ； Bosch innovation software development (Wuxi) Co., Ltd.（博世创新软件开发（无锡）有限公司） ； College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机学院） ； Shopee Pte. Ltd.（Shopee私人有限公司） 纠错

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

AI总结 提出MM-TRELLIS，融合多视图图像与LiDAR点云，通过点云引导和体素过滤策略，实现高质量3D车辆生成，在Waymo数据集上优于现有方法。

SpatialSV: Internalizing Interpretable 3D Spatial Awareness in MLLMs via Task-Oriented Visual Supervision

SpatialSV: 通过任务导向的视觉监督在多模态大语言模型中内化可解释的3D空间感知

Jiayu Tang, Yuchen Zhou, Chao Gou

机构 * School of Intelligent Systems Engineering, Sun Yat-sen University（中山大学智能工程学院） 纠错

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

AI总结 提出SpatialSV框架，通过任务导向的视觉监督将MLLM的2D特征提升为显式3D表示（深度图、相机姿态、点云），实现可解释的3D空间感知内化，无需外部工具，并在半监督设置中展现强泛化能力。

Comments Accepted by IJCAI 2026

S23DR 2026: End-to-End 3D Wireframe Prediction via DETR-Style Set Prediction with Contrastive Denoising

S23DR 2026：基于对比去噪的DETR风格集合预测实现端到端3D线框预测

Nitiz Khanal

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

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

AI总结 提出WireframeDETR方法，直接对3D点云进行DETR风格集合预测，无需中间顶点检测，通过对比去噪训练、多尺度编码器和渐进辅助损失权重实现端到端3D线框预测，在S23DR 2026挑战赛上取得0.575 HSS。

Comments Technical report; S23DR 2026 Challenge submission

CVSD-Reg: Cross-Modal Visual Semantic Prior Distillation for Robust LiDAR Registration

CVSD-Reg：用于鲁棒激光雷达配准的跨模态视觉语义先验蒸馏

Eunsoo Im, Junghun Suh, Gyeonggwan Lee, Seunghwan Hong

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

AI总结 本文提出CVSD-Reg框架，通过蒸馏视觉基础模型的语义先验提升激光雷达配准的鲁棒性，在多数据集上的成功率优于现有方法，且无需相机输入或事后ICP精修。

Vernata: Self-Supervised Learning of LiDAR Point Representations

Vernata：激光雷达点表示的自监督学习

Oliver Lemke, Alexander Liniger, Abel Gawel, Marco Hutter

机构 * Robotics and AI Institute（机器人与人工智能研究院） ； ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 本研究提出基于Sonata架构的Vernata自监督学习框架，通过三项扩展优化激光雷达点云表示，在多数据集上相比基线取得显著性能提升，模态减少场景下仍保持竞争力

Comments IROS 2026. Implementation: https://github.com/rai-opensource/vernata

Multimodal Plant Root Phenotyping with Integration of 3D Skeleton Extraction and Language Analysis

结合三维骨架提取与语言分析的多模态植物根表型分析

Jiakai Lin, Zijun Li, Guoyu Lu

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

AI总结 该研究提出多模态机器人AI框架，结合W-LBC无监督三维骨架提取与证据优先语言建模，微调GPT实现12种植物根表型的可解释分析，建立了定量与语义结合的根表型统一分析范式。