视觉与机器人
三维重建、NeRF、Gaussian Splatting、点云和空间智能。
3DGSI-Assessor：面向3D高斯溅射图像质量评估的大规模数据集与基于大视觉语言模型的方法
专题命中 Gaussian Splatting ：3DGS(summary_cn,abstract)；Gaussian Splatting(title,abstract)；novel view synthesis(abstract)；分类 cs.CV
AI总结 针对3D高斯溅射压缩的失真评估缺口，提出含15200张图像的多维IQA数据集3DGS-IEval-15K+，并构建基于大视觉语言模型的一体化IQA框架3DGSI-Assessor，该框架在对应数据集上达SOTA且泛化性良好。
COLMAR：用于多智能体主动3D重建的协作视图策略学习
机构 * Purdue University（普渡大学） ； DEVCOM Army Research Laboratory（陆军研究实验室）
专题命中 Gaussian Splatting ：3DGS(summary_cn,abstract)；3D reconstruction(title,abstract)；Gaussian Splatting(abstract)；分类 cs.RO
AI总结 研究多智能体主动3D重建中协调效率低的问题，提出COLMAR框架，将视点分配作为共享策略优化，用参数共享PPO训练，结合3DGS重建，实验表明相比基线在传感预算匹配时重建精度和覆盖率显著提升。
Comments 8 pages, 5 figures, IROS 2026
通过概率高斯溅射实现直接的对象级重建
专题命中 Gaussian Splatting ：3DGS(summary_cn,abstract)；Gaussian Splatting(title,abstract)；3D reconstruction(abstract)；分类 cs.CV
AI总结 本文提出一种基于2D高斯溅射的高效单对象3D重建方法，通过整合前景-背景概率提示和动态剪枝低概率高斯，提升内存和计算效率，实验表明其在遮罩误差下具有强自修正能力，重建质量接近标准3DGS方法，但高斯数量仅为1/10。
基于自适应核平滑的鲁棒3DGS SLAM
机构 * Xinjiang University（新疆大学） ； Nanjing University（南京大学） ； Southwest University of Political Science and Law（西南政治科学法学院） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Yantai University（烟台大学）
专题命中 Gaussian Splatting ：3DGS(title,title_cn)；分类 cs.CV
AI总结 针对3DGS-SLAM中渲染质量主导跟踪精度的传统观念，提出通过平滑核策略增强光栅化过程对参数误差的鲁棒性，从而稳定相机位姿跟踪，并设计了CB-KNN方法自适应调整局部高斯参数，实验证明在保持建图质量的同时显著提升跟踪鲁棒性和精度。
SatSplat: 面向卫星图像的几何精确高斯泼溅
机构 * The Ohio State University（俄亥俄州立大学）
专题命中 Gaussian Splatting ：3DGS(summary_cn,abstract)；Gaussian Splatting(title,abstract)；3D reconstruction(abstract)；分类 cs.CV
AI总结 提出SatSplat，首个将2D高斯泼溅(2DGS)适配到卫星摄影测量的框架，通过在线相机调整和几何阴影映射，在DFC2019和IARPA2016基准上实现了高几何精度，相比基于3DGS的方法，平均绝对误差降低11.93%，峰值显存减少31%。
Comments Photogrammetric Engineering & Remote Sensing
3D高斯溅射中保持几何结构的LiDAR-相机外参标定
机构 * Kyung Hee University（庆熙大学）
专题命中 Gaussian Splatting ：3DGS(summary_cn,abstract)；Gaussian Splatting(title,abstract)；novel view synthesis(abstract)；分类 cs.CV
AI总结 针对LiDAR-相机标定中跨模态特征稀缺问题，提出通过多视图LiDAR深度监督和阻止光度梯度更新高斯空间参数来保持3DGS代理的度量几何，提升标定精度。
Comments Accepted to ECCV 2026. 15 pages (excluding references), 5 figures
MoonSplat: 基于Sim(3)全局优化的单目在线高斯泼溅
机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机技术研究所） ； Beijing Hydrogen Intelligent Tech. Co., Ltd.（北京氢元智能科技有限公司）
专题命中 Gaussian Splatting ：3DGS(summary_cn,abstract)；Gaussian Splatting(title,abstract)；3D reconstruction(abstract)；分类 cs.CV
AI总结 提出一种结合Sim(3)全局优化的在线体素化3DGS框架，通过颜色残差学习策略加速收敛，实现鲁棒的相机跟踪和全局闭环，在室内外数据集上达到SOTA性能。
Comments SIGGRAPH 2026
VEDAL: 用于3D高斯泼溅剪枝的变分误差驱动异步学习
机构 * Guangdong University of Technology（广东工业大学） ； Huizhou Boluo Power Supply Bureau, Guangdong Power Grid Co., Ltd.（惠州市博罗供电局，广东电网有限责任公司） ； Shenzhen Polytechnic University（深圳职业技术大学） ； School of Computer Science and Engineering, Huizhou University（惠州市大学计算机科学与工程学院）
专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；NeRF(abstract,abstract_cn)；3DGS(abstract,abstract_cn)；novel view synthesis(abstract)
AI总结 提出VEDAL框架，通过变分自由能最小化、预测误差门控机制和变分不确定性头实现3D高斯泼溅的高效剪枝，在5.2倍压缩下仅损失0.31 dB PSNR。
Comments 12 pages, 5 figures. Accepted by CGI 2026
GSDeformer：面向3D高斯泼溅的直接、实时且可扩展的笼形变形方法
机构 * National Centre for Computer Animation（国家计算机动画中心） ； Bournemouth University（伯恩茅斯大学） ； Department of Computer Science and Information Engineering（计算机科学与信息工程系）
专题命中 Gaussian Splatting ：3DGS(summary_cn,abstract)；Gaussian Splatting(title,abstract)；point cloud(abstract)；分类 cs.CV
AI总结 提出GSDeformer，通过代理点云表示桥接笼形变形与3D高斯泼溅，实现无需重新训练、实时且兼容多种3DGS变体的直接变形。
Comments Project Page: https://jhuangbu.github.io/gsdeformer, Video: https://www.youtube.com/watch?v=-ecrj48-MqM
X-GS：基于3D高斯溅射的感知与思考可扩展框架
机构 * The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； Shanghai Academy of AI for Science（上海人工智能科学研究院）
专题命中 Gaussian Splatting ：3DGS(summary_cn,abstract)；Gaussian Splatting(title,abstract)；novel view synthesis(abstract)；分类 cs.CV
AI总结 提出X-GS框架，包含感知器和思考器，统一多种3DGS技术实现实时在线SLAM与语义蒸馏，并支持多模态模型完成下游任务。
Learn2Splat: 扩展学得3DGS优化的视野
机构 * University of Tübingen, Tübingen AI Center（图宾根大学，图宾根人工智能中心） ； ETH Zurich（苏黎世联邦理工学院） ； Meta Reality Labs（Meta现实实验室）
专题命中 Gaussian Splatting ：3DGS(title,title_cn)；Gaussian Splatting(abstract)；novel view synthesis(abstract)；分类 cs.CV
AI总结 本文提出了一种学得优化器，通过元学习方案扩展优化视野，提升稀疏和密集视角下的重建质量与稳定性，实现零样本泛化。
GuardMarkGS: 3D高斯溅射的统一所有权追溯与编辑威慑
机构 * Korea University（韩国大学） ； KAIST（韩国科学技术院） ； Hanshin University（汉西大学）
专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；NeRF(abstract,abstract_cn)；3DGS(abstract,abstract_cn)；novel view synthesis(abstract)
AI总结 本文提出GuardMarkGS框架，通过结合全局水印目标与对抗目标，实现3D高斯溅射资产的统一所有权追溯与未经授权编辑的威慑，实验表明其在比特精度、编辑威慑和渲染质量间取得良好平衡。
Comments Preprint
AsyncEvGS: 异步事件辅助高斯点云法用于手持运动模糊场景
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； CUHK MMLab（香港大学多模态实验室） ； CPII under InnoHK（创新香港下的CPII）
专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；NeRF(abstract,abstract_cn)；3DGS(abstract,abstract_cn)；3D reconstruction(abstract)
AI总结 本文提出异步事件辅助高斯点云法，通过高分辨率双相机系统和跨域姿态估计模块，解决运动模糊场景下的3D重建问题，提出AsyncEv-Deblur数据集，提升重建鲁棒性。
语义引导的高斯点云法用于高保真水下场景重建
机构 * School of Computer Science, University of Bristol（布里斯托大学计算机科学学院） ； Submerged Resources Centre（水下资源中心）
专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；NeRF(abstract,abstract_cn)；3DGS(abstract,abstract_cn)；3D reconstruction(abstract)
AI总结 本文提出SWAGSplatting框架，通过整合语义先验信息提升水下场景重建的保真度，采用语义一致性损失和自适应高斯点云重分配策略，有效解决光照不均问题，实验验证其在PSNR、SSIM和LPIPS指标上的优越性。
置信度很重要：利用多视图几何先验实现基于3D高斯溅射（3DGS）的重建
机构 * University of Bonn（波恩大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
专题命中 Gaussian Splatting ：3DGS(title_cn,summary_cn)；Gaussian Splatting(abstract)；novel view synthesis(abstract)；分类 cs.CV、cs.GR
AI总结 该研究针对3D高斯溅射（3DGS）几何重建不佳的问题，提出融入多视图几何先验并利用其附带的置信度图加权，在标准基准及含镜面物体的复杂场景中实现了重建质量的显著提升。
ARSGaussian：基于LiDAR的3D高斯点分布用于航空遥感新视角合成
专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；novel view synthesis(title,abstract)；point cloud(abstract)；分类 cs.CV、cs.GR
AI总结 ARSGaussian通过整合LiDAR点云约束，改进3D高斯点分布方法，解决航空遥感中视角合成的漂浮物和过度生长问题，提升几何估计精度。
Comments This is the author's version of a work that was accepted for publication in [ISPRS]. Changes resulting from the publishing process... may not be reflected in this document
Journal ref ISPRS Journal of Photogrammetry and Remote Sensing,Volume 231,2026,Pages 288-306,ISSN 0924-2716,
专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；3DGS(title,abstract)；point cloud(abstract)；分类 cs.CV、cs.GR
机构 * Faculty of Engineering and Computer Science, University of Victoria（工程与计算机科学学院，维多利亚大学） ； Cognia AI Inc.（Cognia AI公司）
专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；3D reconstruction(title,abstract)；3DGS(abstract)；分类 cs.CV、cs.GR
专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；novel view synthesis(title,abstract)；3DGS(abstract)；分类 cs.CV、cs.GR
专题命中 Gaussian Splatting ：NeRF(title,abstract)；Gaussian Splatting(title,abstract)；3DGS(abstract)；分类 cs.CV、cs.RO
Comments 5 pages, 2 figures, 4 tables
专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；3D reconstruction(title,abstract)；3DGS(abstract)；分类 cs.CV、cs.RO
专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；3DGS(title,abstract)；point cloud(abstract)；分类 cs.CV、cs.RO
Comments This extended abstract has been submitted to be presented at an IEEE conference. It will be made available online by IEEE but will not be published in IEEE Xplore
3DGS-DET：通过边界引导和框聚焦采样增强3D高斯散射以实现室内3D物体检测
专题命中 Gaussian Splatting ：3DGS(title,abstract)；Gaussian Splatting(title,abstract)；NeRF(abstract)；分类 cs.CV
AI总结 本文提出3DGS-DET，通过边界引导和框聚焦采样解决3DGS在室内3D物体检测中的空间分布模糊和背景噪声问题，提升检测性能。
Comments The code and models will be made publicly available upon acceptance at: \href{https://github.com/yangcaoai/3DGS-DET}{https://github.com/yangcaoai/3DGS-DET}
机构 * The University of Manchester（曼彻斯特大学） ； Vision, Graphics, and X Group（视觉、图形与X组） ； Great Bay University（大湾大学） ； Sun Yat-Sen University（中山大学）
专题命中 Gaussian Splatting ：3DGS(title,abstract)；Gaussian Splatting(title,abstract)；novel view synthesis(abstract)；分类 cs.CV
Comments Project page: https://distilled3dgs.github.io Code: https://github.com/lt-xiang/Distilled-3DGS
专题命中 Gaussian Splatting ：3DGS(title,abstract)；Gaussian Splatting(title,abstract)；NeRF(abstract)；分类 cs.CV
Comments Our project page including code is available at https://xiangyu1sun.github.io/Factorize-3DGS/
快速3D基础模型初始化高斯点云渲染
机构 * Aust-Agder utviklings- og kompetansefond (AAUKF)（奥斯特-阿格德尔发展与能力基金）
专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；NeRF(abstract,abstract_cn)；3DGS(abstract,abstract_cn)；分类 cs.CV、cs.GR、cs.RO
AI总结 介绍一种无需传统运动结构方法的高质量3D高斯点云重建快速方法，利用3D基础模型初始化相机姿态和点云，通过深度引导损失函数联合优化，提升稀疏视图重建质量，减少训练时间。
Comments 8 pages, 5 figures, 5 tables. Accepted at ICECET 2026
Journal ref 2026 6th International Conference on Electrical, Computer and Energy Technologies (ICECET), Rome, Italy, July 6-9, 2026
可泛化3D高斯点云实现语义编码的实时沉浸式视频通信
专题命中 Gaussian Splatting ：3DGS(summary_cn,abstract)；Gaussian Splatting(title,abstract)；3D reconstruction(abstract)
AI总结 本文提出GS-SCNet框架，整合可泛化的3DGS重建与专用深度语义编码流水线，提升压缩效率与实时性能，实现跨域泛化和抗压缩伪影。
Comments Under review
改进的 VBGS：实时连续变分贝叶斯高斯点云融合
专题命中 Gaussian Splatting ：NeRF(summary_cn,abstract)；Gaussian Splatting(title,abstract)；分类 cs.CV、cs.RO
AI总结 针对实时重建需求，改进的 VBGS 框架通过空间截断变分推理和改进重新分配，加速连续重建。在 NeRF 合成数据集上，RTX 3070 Ti 实现平均每帧延迟大幅降低，加速 1680 倍，且保持重建质量。
Comments 5 pages, 4 figure. Technical Report. This work introduces ImprovedVBGS, accelerated continual learning for 3D Gaussian Splatting based Reconstruction. Code available at [https://github.com/damanimc/ImprovedVBGS](https://github.com/damanimc/ImprovedVBGS)
FAST-GS：用于逼真动态新视图合成的频率感知时空高斯溅射
专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；novel view synthesis(title,abstract)；3D reconstruction(abstract)；分类 cs.CV
AI总结 本文针对现有4DGS动态建模的不足，提出傅里叶运动建模模块与运动感知正则化策略，在N3V和Google Immersive数据集上验证了方法在复杂动态场景下的性能。
Comments accepted by ICASSP2026
UniWorld-View：基于视频扩散模型的大基线视图合成
机构 * Peking University（北京大学） ； Rabbitpre AI
专题命中 Gaussian Splatting ：NeRF(abstract,abstract_cn)；Gaussian Splatting(abstract,abstract_cn)；3DGS(abstract,abstract_cn)；point cloud(abstract)
AI总结 UniWorld-View 是结合显式 3D 指导与视频扩散建模的统一框架，可从单目输入实现可控大基线新视图合成，在基准测试中展现出优异的可控性、几何一致性与视觉保真度。
Comments Project Homepage: https://zhouhyocean.github.io/uniworld-view/ Code: https://github.com/PKU-YuanGroup/UniWorld-View
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