3D 视觉

HybridINR-PCGC: Hybrid Lossless Point Cloud Geometry Compression Bridging Pretrained Model and Implicit Neural Representation

HybridINR-PCGC: 一种融合预训练模型与隐式神经表示的无损点云几何压缩框架

Wenjie Huang, Qi Yang, Shuting Xia, He Huang, Zhu Li, Yiling Xu

机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Missouri-Kansas City（密苏里大学-堪萨斯城分校） 纠错

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

AI总结 HybridINR-PCGC通过融合预训练模型与隐式神经表示，实现高效无损点云压缩，提升压缩率和编码效率。

Comments 8 pages, 10 figures

Assessing airborne laser scanning and aerial photogrammetry for deep learning-based stand delineation

评估空中激光扫描和航空摄影测量在基于深度学习的林分 delineation 中的应用

Håkon Næss Sandum, Hans Ole Ørka, Oliver Tomic, Terje Gobakken

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

AI总结 本文评估了空中激光扫描和航空摄影测量在基于深度学习的林分 delineation 中的应用，发现不同数据组合在性能上表现相似，且框架对输入数据变化具有鲁棒性。

Comments 20 pages, 4 figures, 4 tables

SF3D-RGB: Scene Flow Estimation from Monocular Camera and Sparse LiDAR

SF3D-RGB：从单目相机和稀疏LiDAR估计场景流

Rajai Alhimdiat, Ramy Battrawy, René Schuster, Didier Stricker, Wesam Ashour

机构 * Islamic University of Gaza（加沙伊斯兰大学） ； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心） 纠错

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

AI总结 SF3D-RGB通过结合单目图像和稀疏LiDAR数据，提出了一种端到端深度学习架构，实现了更高效且准确的场景流估计。

Comments Accepted in Computer Vision Conference (CVC) 2026

SEF-MAP: Subspace-Decomposed Expert Fusion for Robust Multimodal HD Map Prediction

SEF-MAP：子空间分解专家融合用于鲁棒多模态高精度地图预测

Haoxiang Fu, Lingfeng Zhang, Hao Li, Ruibing Hu, Zhengrong Li, Guanjing Liu, Zimu Tan, Long Chen, Hangjun Ye, Xiaoshuai Hao

机构 * National University of Singapore（新加坡国立大学） ； Xiaomi EV（小米电动车） ； Chinese University of Hong Kong（香港中文大学） ； The University of Manchester（曼彻斯特大学） ； Renmin University of China（中国人民大学） 纠错

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

AI总结 SEF-MAP通过子空间分解和专家融合，提升多模态HD地图预测的鲁棒性和准确性。

Voxel Densification for Serialized 3D Object Detection: Mitigating Sparsity via Pre-serialization Expansion

体素稠密化用于序列化3D物体检测：通过预序列化扩展缓解稀疏性

Qifeng Liu, Dawei Zhao, Yabo Dong, Linzhi Shang, Liang Xiao, Juan Wang, Kunkong Zhao, Dongming Lu, Qi Zhu

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

AI总结 本文提出体素稠密化模块，通过预序列化扩展提升3D物体检测精度，实验显示在多个数据集上均优于基线模型。

Comments Under review

MNO: Multiscale Neural Operator for 3D Computational Fluid Dynamics

MNO：用于三维计算流体动力学的多尺度神经算子

Qinxuan Wang, Chuang Wang, Mingyu Zhang, Jingwei Sun, Peipei Yang, Shuo Tang, Shiming Xiang

机构 * School of Artifcial Intelligence, University of Chinese Academy of Sciences, Beijing 100049, China（人工智能学院，中国科学院大学，北京） 纠错

专题命中 点云 ：point cloud(abstract)

AI总结 MNO通过多尺度架构在三维非结构化点云上实现高效计算流体动力学模拟，显著提升预测精度。