视觉与机器人
三维重建、NeRF、Gaussian Splatting、点云和空间智能。
ReCamDriving：无需LiDAR的相机控制新型轨迹视频生成
机构 * Sun Yat-sen University（中山大学） ； ZYT ； Shenzhen Polytechnic University（深圳职业技术大学） ； The Hong Kong University of Science and Technology（香港科技大学）
专题命中 点云 ：3DGS(summary_cn,abstract)；分类 cs.CV
AI总结 ReCamDriving通过基于3DGS的密集渲染和两阶段训练策略，实现了无需LiDAR的相机可控新型轨迹视频生成，构建了ParaDrive数据集并展示了卓越的生成效果。
Comments Project page: https://recamdriving.github.io/
机构 * Tampere University（坦佩雷大学） ； Aalto University（阿尔托大学） ； University of Oulu（奥卢大学）
专题命中 点云 ：NeRF(abstract)；Gaussian Splatting(abstract)；point cloud(abstract)；novel view synthesis(abstract)
Comments SCIA 2025
RoboShape：面向隐私感知机器人感知的信息论点云表示
机构 * The University of Texas at Austin（得克萨斯大学奥斯汀分校） ； Bogazici University（博加齐大学） ； Georgia Institute of Technology（佐治亚理工学院）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.RO
AI总结 RoboShape 是一种信息论引导的点云压缩工具，可在保留物体分类效用的同时降低敏感属性泄露，缩小嵌入体积，发布代码库供机器人社区使用。
Comments under review
利用CVAE从点云数据联合估计多指抓取器的关节配置
机构 * Université Paris-Saclay, CEA, List（巴黎-萨克雷大学，法国国家科学研究中心，List）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.RO
AI总结 本文提出利用CVAE从点云数据联合估计多指抓取器关节配置，通过机器学习提高效率和准确性。
Journal ref 2025 IEEE 21st International Conference on Automation Science and Engineering (CASE), Los Angeles, CA, USA, 2025, pp. 895-900
RadarGen：从摄像头生成汽车雷达点云
机构 * Technion（技术学院） ； MIT（麻省理工学院） ； NVIDIA（英伟达） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.RO
AI总结 RadarGen通过扩散模型从摄像头图像生成逼真的雷达点云，结合BEV对齐的深度、语义和运动线索，提升雷达生成的物理合理性与多模态模拟能力。
Comments ECCV 2026. Project page: https://radargen.github.io/
HyperDet: 基于超4D雷达点云的3D目标检测
机构 * University of Edinburgh（爱丁堡大学） ； HKUST (GZ)（香港科技大学（广州）） ； University of Oxford（牛津大学） ； MIT（麻省理工学院）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.RO
AI总结 提出一种与检测器无关的框架HyperDet，通过构建任务感知的超4D雷达点云，利用时空累积、跨传感器验证和多普勒引导的运动补偿以及前景生成增强，显著提升仅用雷达的3D目标检测性能。
Comments 11 pages, 3 figures, 3 tables
基于自蒸馏的无监督点云配准
机构 * Bosch Research（博世研究院） ； University of Lübeck（吕贝克大学） ； Robert Bosch GmbH（罗伯特·博世有限公司）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.RO
AI总结 本文针对点云配准依赖真实位姿标注的问题，提出自蒸馏无监督方法，在3DMatch基准上优于现有方法，且可泛化至汽车雷达场景。
Comments Oral at BMVC 2024
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
机构 * Wayne State University（韦恩州立大学） ； Texas A&M University（德克萨斯农工大学）
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。
WHU-PCPR：用于复杂城市场景中地点识别的跨平台异构点云数据集
机构 * School of Advanced Manufacturing, Nanchang University（南昌大学先进制造学院） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院） ； Department of Geomatics Engineering, University of Calgary（卡尔加里大学测绘工程系） ； School of Earth Sciences and Engineering, Hohai University（河海大学地球科学与工程学院） ； School of Geography and Environment, Jiangxi Normal University（江西师范大学地理与环境学院） ； School of Information Engineering, Nanchang University（南昌大学信息工程学院） ； State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University（武汉大学测绘遥感信息工程国家重点实验室） ； Hubei Luojia Laboratory（湖北省珞珈实验室）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.RO
AI总结 针对现有PCPR数据集在场景、平台和传感器方面缺乏多样性的问题，建立跨平台异构点云数据集WHU-PCPR，其具备独特特征。基于此对几种PCPR方法评估分析，讨论关键挑战与未来方向，推动相关研究发展。
点作为环面：用于点云的快速逐点符号距离
机构 * Carnegie Mellon University（卡内基梅隆大学）
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：基于学习的视觉点云中触觉接触定位
机构 * Department of Engineering, King’s College London（伦敦国王学院工程系）
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。
基于整流流的激光雷达上采样实现图像到点云配准简化
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）
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：用于3D点云的跨视场位置识别和确定性耦合定位
机构 * SK Intellix（SK智能科技）
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
联邦学习与知识蒸馏在点云分类中的基准测试
机构 * University of Macau（澳门大学）
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
通过广义矩方法配准4D毫米波雷达点云
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） ； Institute of Medical Robotics, Shanghai Jiao Tong University（上海交通大学医疗机器人研究院） ； Department of Statistics, Uppsala University（乌普萨拉大学统计系）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.RO
AI总结 针对4D雷达点云稀疏噪声导致配准困难的问题，提出基于广义矩方法的配准框架，无需显式点对应，在合成与真实数据集上精度和鲁棒性优于基准方法，甚至接近激光雷达方法。
广义CVO：基于二阶黎曼优化的快速无对应局部点云配准
机构 * Toyota Research Institute（丰田研究院）
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
无人机在建筑施工中无序点云数据的自动解释
机构 * University of Engineering and Technology（工程大学） ； Vietnam National University, Hanoi（越南国家大学河内分校） ； University of Technology Sydney（悉尼技术大学）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.RO
AI总结 本文提出了一种数据处理系统，用于自动为无人机生成航路点，以检查建筑和桥梁等结构表面。系统通过两个正交安装的2D激光扫描仪和惯性测量单元的数据，利用数据注册、表面检测和航路生成算法，实现结构点云重建和航路规划。
Comments In The 14th International Conference on Control, Automation, Robotics and Vision, ICARCV 2016
网格与点云的连续域曲线骨架化
机构 * TCS Research（TCS研究） ； IIT Delhi（德里理工学院）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.GR
AI总结 提出CSCD框架，将基于局部分隔符的骨架化方法推广到连续域，通过CSCD-M（网格）和CSCD-PC（点云）两种实现，提升了骨架提取的鲁棒性和拓扑保持能力。
Comments 31 pages, 26 figures, 7 tables, 4 algorithms. Published at IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2026
PointLLM-R: 通过链式推理增强3D点云推理
机构 * Visual Computing Research Center (VCC), College of Computer Science（视觉计算研究中心（VCC），计算机科学学院） ； Software Engineering (CSSE) Shenzhen University China（软件工程（CSSE）深圳大学中国） ； VCC, CSSE Shenzhen University China（VCC，CSSE 深圳大学中国） ； Shenzhen University（深圳大学）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.GR
AI总结 本文提出了一种数据驱动的框架，用于构建大规模链式推理监督，以改进3D点云理解。通过两阶段流程优化点文本指令数据，并合成高质量推理路径，构建了包含55K样本的PoCoTI数据集，训练PointLLM-R实现3D多模态语言模型的推理能力，实验表明其在生成3D分类和描述任务中达到最先进的性能。
3DMambaComplete：探索结构状态空间模型用于点云补全
机构 * Shanghai Key Laboratory of Data Science, School of Computer Science, Fudan University（复旦大学计算机学院数据科学实验室） ； Department of Information Engineering, The Chinese University of Hong Kong（香港中文大学信息工程系）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.GR
AI总结 本文提出3DMambaComplete，一种基于Mamba框架的点云补全网络，通过HyperPoint生成、分散和变形模块有效解决点云补全中的局部细节丢失和计算复杂度问题，实验表明其优于现有方法。
Comments 24 pages, 14 figures, 10 tables
利用先前遍历点云地图先验进行基于摄像头的3D物体检测与跟踪
机构 * Department of Computer Science, University of Freiburg（弗赖堡大学计算机科学系） ； Bosch Research, Robert Bosch GmbH（博世研究）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.RO
AI总结 本文提出DualViewMapDet框架，通过在线检索先前遍历生成的点云地图先验，提升无LiDAR情况下基于摄像头的3D物体检测与跟踪性能，通过双空间融合策略增强特征表示。
UGD：一种无监督的几何距离用于评估现实世界噪声点云去噪
机构 * School of Automation, Nanjing University of Science and Technology（自动化学院，南京理工大学） ； School of Computer Science and Engineering, Nanjing University of Science and Technology（计算机科学与工程学院，南京理工大学）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.GR
AI总结 本文提出UGD，一种无监督几何距离，通过学习清洁点云的先验模型，基于噪声点云评估去噪效果，实验表明其性能与监督方法相当。
Comments to be published in IEEE Transactions on Visualization and Computer Graphics
通过彩色点云进行3D实例分割与重识别的园艺时间水果监测
机构 * University of Padua（帕多瓦大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习和人工智能研究所）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.RO
AI总结 本文提出利用彩色点云进行3D水果实例分割与重识别的方法，通过学习模型和注意力匹配网络实现动态果园中水果的准确监测。
Journal ref Computers and Electronics in Agriculture, Volume 247, Pages 111723, 2026
深度神经水印用于3D点云中鲁棒的版权保护
机构 * Brunel University of London（伦敦布鲁内尔大学） ； Wrexham University（雷克瑟姆大学） ； University of South Wales（南威尔士大学）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.GR
AI总结 本文提出一种基于深度学习的3D点云鲁棒水印框架，通过奇异值分解嵌入二进制水印，利用PointNet++网络在旋转、缩放等攻击下实现高精度水印提取。
Journal ref Print ISSN: 2516-0281, Online ISSN: 2516-029X, pp. 17-30, Vol. 9, No. 4, 1 October 2025
NARVis：神经加速渲染用于实时科学点云可视化
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） ； NASA（美国国家航空航天局） ； Hampton University（汉普顿大学）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.GR
AI总结 NARVis通过神经后处理提升大规模点云渲染效率，实现高速高保真可视化，适用于多维流场和地形扫描。
超越帧级跟踪：一种基于轨迹的高效点云跟踪范式
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.RO
AI总结 本文提出基于轨迹的跟踪范式TrajTrack，通过隐式学习历史轨迹提升跟踪精度，实现高效且鲁棒的3D单目标跟踪。
Comments Acceptted in ICRA 2026
DRIFT：双表示交叉融合变换器用于自动驾驶感知的4D雷达点云
机构 * Delft University of Technology（代尔夫特理工大学） ； Perciv AI
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.RO
AI总结 DRIFT通过双路径架构融合局部和全局上下文信息，提升自动驾驶中4D雷达点云的感知性能，实现更准确的物体检测和道路估计。
SLNet：一种轻量级几何自适应网络用于3D点云识别
机构 * Sirjan University of Technology（锡耶扬技术大学） ； Clemson University（克莱姆森大学）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.RO
AI总结 SLNet通过轻量级几何自适应网络实现高效3D点云识别，在多个任务中均取得优异性能。
Comments Accepted to the 2026 IEEE International Conference on Robotics and Automation (ICRA 2026)
端到端激光雷达优化用于3D点云配准
机构 * Université Laval（拉瓦尔大学） ； Bentley Systems（贝恩特系统）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.RO
AI总结 本文提出端到端自适应激光雷达框架，通过动态调整参数优化点云配准，提升精度与效率，并在CARLA模拟中验证其优于固定参数方法的性能。
Comments 36th British Machine Vision Conference 2025, {BMVC} 2025, Sheffield, UK, November 24-27, 2025. Project page: https://lvsn.github.io/e2e-lidar-registration/
通过LiDAR视角：一种特征丰富且不确定性感知的标注流程用于陆地点云分割
机构 * Chester F. Carlson Center for Imaging Science, Rochester Institute of Technology, Rochester, NY, USA（切斯特·F·卡尔森成像科学中心，罗切斯特理工学院，罗切斯特，纽约州，美国）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.RO
AI总结 本文提出一种半自动标注流程，通过球面投影和特征丰富技术提升陆地点云分割的效率与精度，构建了Mangrove3D数据集并验证了特征重要性，为生态监测提供高质量分割方案。
Comments 40 pages (28 main text), 20 figures, 4 supplementary materials; links to 3D point animations are included in the last table
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈