3D 视觉

APC: Transferable and Efficient Adversarial Point Counterattack for Robust 3D Point Cloud Recognition

APC：可转移且高效的对抗点反击用于鲁棒的3D点云识别

Geunyoung Jung, Soohong Kim, Inseok Kong, Jiyoung Jung

机构 * Department of Artificial Intelligence, University of Seoul, South Korea（首尔大学人工智能系，韩国） ； Department of Geo Informatics, University of Seoul, South Korea（首尔大学地理信息系，韩国） 纠错

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

AI总结 本文提出APC，一种轻量级输入级净化模块，通过生成实例特定的对抗扰动有效中和攻击，并通过混合训练策略提升跨不同攻击的泛化能力，实验表明其在3D识别基准上达到最先进的防御性能。

Comments Accepted by CVPR 2026 Findings

STS-Mixer: Spatio-Temporal-Spectral Mixer for 4D Point Cloud Video Understanding

STS-Mixer：用于4D点云视频理解的时空频混合器

Wenhao Li, Xueying Jiang, Gongjie Zhang, Xiaoqin Zhang, Ling Shao, Shijian Lu

机构 * Nanyang Technological University（南洋理工大学） ； Alibaba Group（阿里巴巴集团） ； Zhejiang University of Technology（浙江工业大学） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

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

AI总结 本文提出STS-Mixer框架，通过将4D点云视频转换为图谱信号，结合时空与频域信息，提升对4D点云视频的几何结构和时间动态的理解。

Comments Accepted by CVPR 2026, Open Sourced

TetraSphere: A Neural Descriptor for O(3)-Invariant Point Cloud Analysis

TetraSphere：一种用于O(3)不变点云分析的神经描述符

Pavlo Melnyk, Andreas Robinson, Michael Felsberg, Mårten Wadenbäck

机构 * Computer Vision Laboratory, Department of Electrical Engineering, Linköping University（林雪平大学电气工程系计算机视觉实验室） 纠错

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

AI总结 本文提出TetraSphere，一种基于可旋转3D球神经元和向量神经元的O(3)不变描述符，通过端到端训练提升点云旋转不变性，在ScanObjectNN和ModelNet40上取得新突破。

Comments CVPR 2024

Data-Efficient Semantic Segmentation of 3D Point Clouds via Open-Vocabulary Image Segmentation-based Pseudo-Labeling

通过开放词汇图像分割的伪标签实现3D点云语义分割的数据高效方法

Takahiko Furuya

机构 * University of Yamanashi（山梨大学） 纠错

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

AI总结 本文提出PLOVIS算法，利用开放词汇图像分割模型生成伪标签，解决3D点云分割中训练数据不足的问题，通过两阶段过滤和类平衡内存银行提升训练效果，实验表明在数据稀缺条件下优于现有方法。

LIDARLearn: A Unified Deep Learning Library for 3D Point Cloud Classification, Segmentation, and Self-Supervised Representation Learning

LIDARLearn: 一个用于3D点云分类、分割和自监督表示学习的统一深度学习库

Said Ohamouddou, Hanaa El Afia, Abdellatif El Afia, Raddouane Chiheb

机构 * ENSIAS, Mohammed V University, Rabat, Morocco（穆罕默德五世大学ENSIAS学院，拉巴特，摩洛哥） 纠错

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

AI总结 本文提出LIDARLearn，一个整合多种3D点云处理方法的统一深度学习库，支持分类、语义分割、部分分割和少样本学习，并提供标准化训练流程和严格多模型比较工具。

Topo-ADV: Generating Topology-Driven Imperceptible Adversarial Point Clouds

Topo-ADV：生成拓扑驱动的不可察觉对抗点云

Gayathry Chandramana Krishnan Nampoothiry, Raghuram Venkatapuram, Anirban Ghosh, Ayan Dutta

机构 * University of North Florida（北佛罗里达大学） 纠错

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

AI总结 本文提出Topo-ADV，通过拓扑结构生成不可察觉的对抗点云，挑战传统假设，提升攻击成功率。

Comments Under review

Revisiting Radar Perception With Spectral Point Clouds

重新审视雷达感知与光谱点云

Hamza Alsharif, Jing Gu, Pavol Jancura, Satish Ravindran, Gijs Dubbelman

机构 * Eindhoven University of Technology（埃因霍温理工大学） ； NXP Semiconductors（恩智浦半导体） 纠错

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

AI总结 本文提出光谱点云范式，证明稀疏点云在加入光谱信息后可媲美密集光谱数据，为统一雷达感知提供更鲁棒的输入表示。

Comments CVPR 2026 Workshop (PBVS 2026). Project page: https://www.tue-mps.org/Spectral-Point-Clouds-Radar/

Hierarchical Feature Learning for Medical Point Clouds via State Space Model

通过状态空间模型进行医疗点云的分层特征学习

Guoqing Zhang, Jingyun Yang, Yang Li

机构 * Shenzhen Key Laboratory of Ubiquitous Data Enabling, Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院深圳市普适数据赋能重点实验室） ； Pengcheng Laboratory（鹏城实验室） 纠错

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

AI总结 本文提出基于状态空间模型的分层特征学习框架，用于医疗点云理解，通过多级下采样和KNN查询聚合多尺度结构信息，并引入坐标顺序和内向外扫描策略提升处理效率，最终在MedPointS数据集上验证了方法的优越性。

Comments 10 pages, 3 figures

Diff-PCR: Diffusion-Based Correspondence Searching in Doubly Stochastic Matrix Space for Point Cloud Registration

Diff-PCR: 基于双随机矩阵空间的扩散对应搜索用于点云配准

Haihua Shi, Qianliang Wu

机构 * Jinling Institute of Technology（金陵科技学院） ； PCA Lab, Key Lab of Intelligent Perception and Systems for High-Dimensional Information of Ministry of Education, and Jiangsu Key Lab of Image and Video Understanding for Social Security, School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院，教育部高维信息智能感知与系统重点实验室，江苏省社会安全图像与视频理解重点实验室，PCA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Diff-PCR框架，利用去噪扩散模型在双随机矩阵空间中预测最优匹配矩阵的搜索梯度，通过迭代优化提升点云配准的准确性与效率。

A Persistent Homology Design Space for 3D Point Cloud Deep Learning

3D点云深度学习中的持久同调设计空间

Prachi Kudeshia, Jiju Poovvancheri, Amr Ghoneim, Dong Chen

机构 * Saint Mary's University, Halifax, Canada（圣玛丽大学（哈利法克斯，加拿大）） ； Nanjing Forestry University, China（南京林业大学） 纠错

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

AI总结 本文提出一个统一的设计空间，将持久同调用于3D点云学习，通过六个注入点将拓扑学作为结构诱导偏差，提升分类和分割的准确性与鲁棒性。

Comments 27 pages, 12 figures, 5 tables

MT-PCR: Hybrid Mamba-Transformer Network with Spatial Serialization for Point Cloud Registration

MT-PCR：基于空间串行化的混合Mamba-Transformer网络用于点云配准

Bingxi Liu, An Liu, Hao Chen, Huaqi Tao, Jinqiang Cui, Yiqun Wang, Hong Zhang

机构 * Southern University of Science and Technology（南方科技大学） ； Chongqing University（重庆大学） ； Pengcheng Laboratory（鹏城实验室） ； University of Cambridge（剑桥大学） 纠错

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

AI总结 本文提出MT-PCR框架，结合Mamba和Transformer模块，通过Z-order曲线串行点云特征以增强空间局部性，提升点云配准的精度与效率。

Comments 12 Pages

Deformation-based In-Context Learning for Point Cloud Understanding

基于变形的点云情境学习

Chengxing Lin, Jinhong Deng, Yinjie Lei, Wen Li

机构 * Shenzhen Institute for Advanced Study, UESTC（电子科技大学深圳高等研究院） ； School of Computer Science and Engineering, UESTC（电子科技大学计算机科学与工程学院） ； Sichuan University（四川大学） 纠错

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

AI总结 本文提出DeformPIC框架，通过任务引导变形查询点云以实现点云情境学习，改进几何推理和一致性目标，实验显示在重建、去噪和配准任务中均优于现有方法。

Comments Accepted by CVPR 2026. Code: https://github.com/linchengxing/DeformPIC

Delaunay Canopy: Building Wireframe Reconstruction from Airborne LiDAR Point Clouds via Delaunay Graph

Delaunay Canopy：通过Delaunay图构建空中LiDAR点云的线框重建

Donghyun Kim, Chanyoung Kim, Youngjoong Kwon, Seong Jae Hwang

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

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

AI总结 本文提出Delaunay Canopy方法，利用Delaunay图作为几何先验，解决空中LiDAR点云中噪声、稀疏性和内部角区域线框重建的难题，实现高精度线框重建。

Sparkle: A Robust and Versatile Representation for Point Cloud based Human Motion Capture

Sparkle：一种稳健且多功能的点云基于人体动作捕捉表示

Yiming Ren, Yujing Sun, Aoru Xue, Kwok-Yan Lam, Yuexin Ma

机构 * ShanghaiTech University（上海科技大学） ； Digital Trust Centre, Nanyang Technological University（南洋理工大学数字信任中心） 纠错

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

AI总结 本文提出Sparkle，一种结合骨骼关节和表面锚点的结构化表示，通过层次模块学习几何连续性和运动学约束，实现高精度、鲁棒性和泛化能力。

Comments Accepted at ICLR 2026

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