3D 视觉

SR3R: Rethinking Super-Resolution 3D Reconstruction With Feed-Forward Gaussian Splatting

SR3R: 重新思考超分辨率3D重建与前馈高斯点散射

Xiang Feng, Xiangbo Wang, Tieshi Zhong, Chengkai Wang, Yiting Zhao, Tianxiang Xu, Zhenzhong Kuang, Feiwei Qin, Xuefei Yin, Yanming Zhu

机构 * Hangzhou Dianzi University（杭州电子科技大学） ； ShanghaiTech University（上海科技大学） ； Griffith University（格里菲斯大学） ； Peking University（北京大学） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；3D reconstruction(title)；3DGS(abstract)；分类 cs.CV

AI总结 SR3R通过前馈高斯点散射框架，直接从稀疏低分辨率视角生成高分辨率3D重建，提升跨场景泛化能力和实时性能。

Comments CVPR 2026

From Volume Rendering to 3D Gaussian Splatting: Theory and Applications

从体渲染到3D高斯点播：理论与应用

Vitor Pereira Matias, Daniel Perazzo, Vinicius Silva, Alberto Raposo, Luiz Velho, Afonso Paiva, Tiago Novello

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；3DGS(abstract)；3D reconstruction(abstract)；novel view synthesis(abstract)

AI总结 本文介绍了3D高斯点播的理论与应用，探讨其在3D重建、虚拟人物建模和内容生成中的高效渲染能力及局限性。

Comments Accepted at the Conference on Graphics, Patterns and Images (SIBGRAPI), math focused, 5 equations, 5 Figure, 5 pages of text and 1 of bibligraphy

Prune Wisely, Reconstruct Sharply: Compact 3D Gaussian Splatting via Adaptive Pruning and Difference-of-Gaussian Primitives

明智剪枝，精确重建：通过自适应剪枝和高斯差分原语实现紧凑的3D高斯溅射

Haoran Wang, Guoxi Huang, Fan Zhang, David Bull, Nantheera Anantrasirichai

机构 * School of Computer Science, University of Bristol（计算机科学学院，布里斯托大学） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；3DGS(abstract)；分类 cs.CV

AI总结 本文提出了一种自适应剪枝策略和高斯差分原语，通过减少高斯数量提升3D高斯溅射的紧凑性与渲染质量。

Comments CVPR2026

DAGS-SLAM: Dynamic-Aware 3DGS SLAM via Spatiotemporal Motion Probability and Uncertainty-Aware Scheduling

DAGS-SLAM：通过时空运动概率和不确定性感知调度实现动态感知的3DGS SLAM

Li Zhang, Yu-An Liu, Xijia Jiang, Conghao Huang, Danyang Li, Yanyong Zhang

机构 * School of Mathematics, Hefei University of Technology（合肥工业大学数学学院） ； School of Software, Tsinghua University（清华大学软件学院） ； School of Computer Science and Technology, University of Science and Technology of China（中国科学技术大学计算机科学与技术学院） 纠错

专题命中 Gaussian Splatting ：3DGS(title,abstract)；Gaussian Splatting(abstract)；分类 cs.RO

AI总结 DAGS-SLAM通过时空运动概率和不确定性感知调度实现动态感知的3DGS SLAM，提升实时定位与密集重建的鲁棒性与效率。

MEGS$^{2}$: Memory-Efficient Gaussian Splatting via Spherical Gaussians and Unified Pruning

MEGS$^{2}$: 通过球形高斯和统一剪枝实现内存高效的三维高斯散射

Jiarui Chen, Yikeng Chen, Yingshuang Zou, Ye Huang, Peng Wang, Yuan Liu, Yujing Sun, Wenping Wang

机构 * HKUST（香港科技大学） ； SZU（深圳大学） ； SYSU（南方科技大学） ； Adobe（Adobe公司） ； NTU（国立台湾大学） ； TAMU（德克萨斯大学奥斯汀分校） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；3DGS(abstract)；分类 cs.CV

AI总结 MEGS$^{2}$通过球形高斯和统一剪枝技术，实现了3DGS的内存高效压缩，显著降低内存占用并保持高质量渲染。

Comments 20 pages, 8 figures. Accepted by ICLR 2026

Fast Learning of Non-Cooperative Spacecraft 3D Models through Primitive Initialization

通过原始初始化快速学习非合作航天器3D模型

Pol Francesch Huc, Emily Bates, Simone D'Amico

机构 * Stanford University（斯坦福大学） 纠错

专题命中 Gaussian Splatting ：NeRF(abstract)；Gaussian Splatting(abstract)；3DGS(abstract)；novel view synthesis(abstract)

AI总结 本文提出基于CNN的3DGS原始初始化方法，通过单目图像快速学习航天器3D模型，降低训练成本并适应噪声姿态估计。

Journal ref 2025 AAS/AIAA Astrodynamics Specialist Conference, Boston, Massachusetts

Uncertainty Matters in Dynamic Gaussian Splatting for Monocular 4D Reconstruction

不确定性在单目4D重建中的动态高斯点云中至关重要

Fengzhi Guo, Chih-Chuan Hsu, Sihao Ding, Cheng Zhang

机构 * Texas A&M University（德克萨斯大学） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；分类 cs.CV、cs.GR

AI总结 USplat4D通过建模高斯点云的不确定性，提升单目4D重建的稳定性和合成质量。

Comments Accepted to ICLR 2026. Project page: https://tamu-visual-ai.github.io/usplat4d/

No Calibration, No Depth, No Problem: Cross-Sensor View Synthesis with 3D Consistency

无需校准，无需深度，无需问题：跨传感器视角合成与3D一致性

Cho-Ying Wu, Zixun Huang, Xinyu Huang, Liu Ren

机构 * Bosch Research North America（博世北美研究部） ； Bosch Center for Artificial Intelligence (BCAI)（博世人工智能中心） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(abstract)；3DGS(abstract)；分类 cs.CV

AI总结 本文提出了一种无需校准的跨传感器视角合成方法，通过匹配、密集化和3D点云整合技术，解决RGB-X数据对齐问题，提升大规模真实世界数据收集的效率。

Comments CVPR 2026 Main Conference. Project page: https://choyingw.github.io/3d-rgbx.github.io/

One2Scene: Geometric Consistent Explorable 3D Scene Generation from a Single Image

One2Scene: 从单张图像生成几何一致的可探索3D场景

Pengfei Wang, Liyi Chen, Zhiyuan Ma, Yanjun Guo, Guowen Zhang, Lei Zhang

机构 * The Hong Kong Polytechnic University（香港理工大学） 纠错

专题命中 Gaussian Splatting ：3D vision(abstract)；Gaussian Splatting(abstract)；分类 cs.CV

AI总结 One2Scene通过分解问题为三个子任务，实现从单张图像生成几何一致且可探索的3D场景。

Comments ICLR 2026

Universal Beta Splatting

通用贝塔散射

Rong Liu, Zhongpai Gao, Benjamin Planche, Meida Chen, Van Nguyen Nguyen, Meng Zheng, Anwesa Choudhuri, Terrence Chen, Yue Wang, Andrew Feng, Ziyan Wu

机构 * University of Southern California（南加州大学） ； United Imaging Intelligence（联合影像智能） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(abstract)；分类 cs.CV、cs.GR

AI总结 通用贝塔散射提出了一种统一框架，通过各向异性贝塔核实现显式光场渲染，能有效处理复杂光传输和动态场景，优于现有方法。

Comments ICLR 2026

Carré du champ flow matching: better quality-generalisation tradeoff in generative models

Carré du champ flow matching: 更好的质量-泛化权衡在生成模型中

Jacob Bamberger, Iolo Jones, Dennis Duncan, Michael M. Bronstein, Pierre Vandergheynst, Adam Gosztolai

机构 * Institute of Artificial Intelligence（人工智能研究所） ； Medical University of Vienna（维也纳医科大学） ； University of Oxford（牛津大学） ； AITHYRA ； EPFL（苏黎世联邦理工学院） 纠错

专题命中 Gaussian Splatting ：point cloud(abstract)

AI总结 Carré du champ flow matching通过几何感知噪声改进生成模型的质量-泛化权衡，适用于数据稀缺和非均匀采样场景。

BuildAnyPoint: 3D Building Structured Abstraction from Diverse Point Clouds

BuildAnyPoint: 从多样点云构建三维建筑结构抽象

Tongyan Hua, Haoran Gong, Yuan Liu, Di Wang, Ying-Cong Chen, Wufan Zhao

机构 * HKUST(GZ)（香港科技大学（广州）） ； Xi’an Jiaotong University（西安交通大学） 纠错

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

AI总结 BuildAnyPoint通过Loca-DiT框架从多样点云中生成结构化三维建筑抽象，提升重建的表面准确性和分布均匀性。

Comments CVPR 2026

FPPS: An FPGA-Based Point Cloud Processing System

FPPS：一种基于FPGA的点云处理系统

Xiaofeng Zhou, Linfeng Du, Hanwei Fan, Wei Zhang

专题命中 点云 ：point cloud(title,abstract)

AI总结 FPPS是一种基于FPGA的点云处理系统，通过优化ICP算法在KITTI数据集上实现了高达35倍的加速，同时保持精度并提升能效。

Action-Geometry Prediction with 3D Geometric Prior for Bimanual Manipulation

基于3D几何先验的双臂操作动作预测

Chongyang Xu, Haipeng Li, Shen Cheng, Jingyu Hu, Haoqiang Fan, Ziliang Feng, Shuaicheng Liu

机构 * College of Computer Science, Sichuan University, China（四川大学计算机学院） ； University of Electronic Science and Technology of China, China（电子科技大学） ； Dexmal ； The Chinese University of Hong Kong, HK SAR, China（香港中文大学（HK SAR）） 纠错

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

AI总结 本文提出基于3D几何先验的双臂操作预测框架，通过融合几何特征与2D语义信息，实现高效动作预测与空间理解。

Comments Accepted by CVPR 2026

CO^3: Cooperative Unsupervised 3D Representation Learning for Autonomous Driving

CO³：协作无监督3D表示学习用于自动驾驶

Runjian Chen, Yao Mu, Runsen Xu, Wenqi Shao, Chenhan Jiang, Hang Xu, Zhenguo Li, Ping Luo

机构 * The University of Hong Kong（香港大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Hong Kong University of Science and Technology（香港科技大学） 纠错

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

AI总结 CO³通过协作对比学习和上下文形状预测，实现无监督学习户外场景点云的3D表示，提升自动驾驶中的检测性能。

PointCoT: A Multi-modal Benchmark for Explicit 3D Geometric Reasoning

PointCoT: 一种用于显式3D几何推理的多模态基准

Dongxu Zhang, Yiding Sun, Pengcheng Li, Yumou Liu, Hongqiang Lin, Haoran Xu, Xiaoxuan Mu, Liang Lin, Wenbiao Yan, Ning Yang, Chaowei Fang, Juanjuan Zhao, Jihua Zhu, Conghui He, Cheng Tan

机构 * Xi'an Jiaotong University（西安交通大学） ； Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Institute of Automation, CASIA（中国科学院自动化研究所） ； Taiyuan University of Technology（太原理工大学） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

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

AI总结 PointCoT通过显式链式推理提升3D几何推理能力，提出多模态基准和双流架构，实现对3D点云的高精度理解与推理。

Assessment of Display Performance and Comparative Evaluation of Web Map Libraries for Extensive 3D Geospatial Data

大规模3D地理空间数据可视化性能评估及Web地图库的比较评估

Toshikazu Seto, Yohei Shiwaku, Takayuki Miyauchi, Daisuke Yoshida, Yuichiro Nishimura

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

AI总结 本研究评估了CesiumJS和MapLibre GL JS在处理大规模3D地理空间数据时的性能，发现MapLibre GL JS结合deck.gl在点云处理上表现更优。

Comments 6 pages, 5 figures, 1 table

Flow-Enabled Generalization to Human Demonstrations in Few-Shot Imitation Learning

流赋能的人类演示在少样本模仿学习中的泛化

Runze Tang, Penny Sweetser

机构 * The Australian National University（澳大利亚国立大学） 纠错

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

AI总结 本文提出SFCrP方法，通过场景流预测和流条件策略实现人类演示在少样本模仿学习中的泛化，提升机器人在现实任务中的表现和泛化能力。

Comments Accepted to ICRA 2026

Towards Generating Realistic 3D Semantic Training Data for Autonomous Driving

朝向生成逼真3D语义训练数据以实现自动驾驶

Lucas Nunes, Rodrigo Marcuzzi, Jens Behley, Cyrill Stachniss

机构 * Center for Robotics, University of Bonn, Germany（bonn大学机器人中心） ； RWTH Aachen, Germany（亚琛工业大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence, Germany（lamarr机器学习与人工智能研究所） 纠错

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

AI总结 本文提出一种无需投影或分离开的多分辨率模型的3D语义生成方法，生成更逼真的场景数据，提升自动驾驶训练效果。

JiSAM: Alleviate Labeling Burden and Corner Case Problems in Autonomous Driving via Minimal Real-World Data

JiSAM: 通过最小真实世界数据缓解自动驾驶中的标注负担和边缘案例问题

Runjian Chen, Wenqi Shao, Bo Zhang, Shaoshuai Shi, Li Jiang, Ping Luo

机构 * The University of Hong Kong（香港大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Voyager Research, Didi Chuxing（滴滴出行 Voyager 研究） ； The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）） ； HKU Shanghai Intelligent Computing Research Center（香港大学上海智能计算研究中心） 纠错

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

AI总结 JiSAM通过最小真实世界数据缓解自动驾驶中的标注负担和边缘案例问题，利用模拟数据提升真实感知性能。

CLAP: Unsupervised 3D Representation Learning for Fusion 3D Perception via Curvature Sampling and Prototype Learning

CLAP：通过曲率采样和原型学习实现融合3D感知的无监督3D表示学习

Runjian Chen, Hang Zhang, Avinash Ravichandran, Hyoungseob Park, Wenqi Shao, Alex Wong, Ping Luo

机构 * The University of Hong Kong（香港大学） ； Cruise ； Yale University（耶鲁大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； HKU Shanghai Intelligent Computing Research Center（香港大学上海智能计算研究中心） 纠错

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

AI总结 CLAP通过曲率采样和原型学习，在无监督3D表示学习中实现图像与点云的联合预训练，提升融合3D感知的性能。

TREND: Unsupervised 3D Representation Learning via Temporal Forecasting for LiDAR Perception

TREND: 通过时间预测进行无监督3D表示学习的LiDAR感知

Runjian Chen, Hyoungseob Park, Bo Zhang, Wenqi Shao, Ping Luo, Alex Wong

机构 * The University of Hong Kong（香港大学） ； Yale University（耶鲁大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； HKU Shanghai Intelligent Computing Research Center（香港大学上海智能计算研究中心） 纠错

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

AI总结 TREND通过时间预测进行无监督3D表示学习，提升LiDAR感知性能。

Enhancing Spatial Understanding in Image Generation via Reward Modeling

通过奖励建模增强图像生成中的空间理解

Zhenyu Tang, Chaoran Feng, Yufan Deng, Jie Wu, Xiaojie Li, Rui Wang, Yunpeng Chen, Daquan Zhou

机构 * Peking University（北京大学） ； ByteDance Seed（字节跳动种子） 纠错

专题命中 空间理解 ：spatial understanding(title,abstract)；分类 cs.CV

AI总结 本文提出SpatialScore奖励模型，通过增强空间理解能力提升图像生成的质量和效果。

Comments Accepted at CVPR 2026. Github: https://github.com/DAGroup-PKU/SpatialT2I Project website: https://dagroup-pku.github.io/SpatialT2I/