CVPR

HiFi-BRep: High-Fidelity Latent Representation for Robust B-Rep Generation

HiFi-BRep：用于鲁棒边界表示（B-Rep）生成的高保真隐式表示

Junhao Hou, Chenqi Luo, Pufan Wang, Jiaying Lu, Yusheng Liu, Feiwei Qin, Meie Fang, Kun Zhou

机构 * Zhejiang University（浙江大学） ； Hangzhou Dianzi University（杭州电子科技大学） ； Guangzhou University（广州大学） 纠错

AI总结 HiFi-BRep是一种新型框架，通过拓扑感知编码器与单阶段解码器解决B-Rep生成的脆弱性问题，在结构有效性和几何保真度上优于现有最优方法，提供了鲁棒的B-Rep合成方案。

Comments Accepted to CVPR 2026

Beyond Single Object: Learning 3D Relations with Large Language Models

超越单一物体：用大语言模型学习三维关系

Kohsuke Ide, Ryousuke Yamada, Yue Qiu, Xianzheng Ma, Yoshihiro Fukuhara, Hirokatsu Kataoka, Yutaka Satoh

机构 * AIST（日本国立 Advanced Industrial Science and Technology（AIST）） ； University of Tsukuba（筑波大学） ； University of Technology Nuremberg（纽伦堡工业大学） ； University of Oxford（牛津大学） 纠错

AI总结 针对现有3D-LLMs难以开展多物体间详细比较的问题，提出含MO3D数据集、Multi-3DLLM模型及Mini-apps基准的框架，该模型在MO3D任务上超越所有基线且对单物体分类有正向迁移

Comments Accepted to CVPR 2026

The Unwritten Benchmark: A New Challenge for Multimodal Machine Learning in Abstract Perceptual Reasoning

未书写基准：多模态机器学习在抽象感知推理领域的新挑战

Garima Arya Yadav, Nilay Yilmaz, Yezhou Yang

机构 * Arizona State University（亚利桑那州立大学） 纠错

AI总结 本文提出The Unwritten Benchmark基准，针对多模态模型在抽象感知推理中的不足，开展声-运动学文字推理任务评估，发现模型性能远逊于人类且存在模态融合悖论。

Comments To be published in CVPR Findings 2026

Two by Two: Learning Multi-Task Pairwise Objects Assembly for Generalizable Robot Manipulation

两两配对：学习用于通用机器人操作的多任务成对物体装配

Yu Qi, Yuanchen Ju, Tianming Wei, Chi Chu, Lawson L.S. Wong, Huazhe Xu

AI总结 针对现有装配数据集无法适配日常物体装配的问题，提出2BY2数据集，并开发带等变特征的两步SE(3)位姿估计方法，在18项任务上取得最优性能且经机器人实验验证可靠泛化

Comments Accepted to CVPR 2025 (Conference on Computer Vision and Pattern Recognition)