3D 视觉

Layered Quantum Architecture Search for 3D Point Cloud Classification

分层量子架构搜索用于3D点云分类

Natacha Kuete Meli, Jovita Lukasik, Vladislav Golyanik, Michael Moeller

机构 * University of Siegen（锡根大学） ； MPI for Informatics（马克斯·普朗克信息研究所） 纠错

专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV；3D vision(journal_ref)

AI总结 本文提出分层量子架构搜索方法，通过逐步增长和适应量子电路架构，提升3D点云分类性能，优于传统量子优化方法。

Journal ref International Conference on 3D Vision (3DV) 2026

Learning Hierarchical Orthogonal Prototypes for Generalized Few-Shot 3D Point Cloud Segmentation

学习通用少样本3D点云分割的分层正交原型

Yifei Zhao, Fanyu Zhao, Zhongyuan Zhang, Shengtang Wu, Yixuan Lin, Yinsheng Li

机构 * College of Computer Science and Artificial Intelligence（计算机科学与人工智能学院） 纠错

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

AI总结 本文提出HOP3D框架，通过分层正交原型和熵基少样本正则化，实现通用少样本3D点云分割中新型类适应与基类性能的平衡。

Comments 6 pages, 6 figures, 2 tables, Accepted by ICME 2026

PCSTracker: Long-Term Scene Flow Estimation for Point Cloud Sequences

PCSTracker: 点云序列的长期场景流估计

Min Lin, Gangwei Xu, Xianqi Wang, Yuyi Peng, Xin Yang

机构 * Huazhong University of Science and Technology（华中科技大学） ； Optics Valley Laboratory（光谷实验室） 纠错

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

AI总结 本文提出PCSTracker，通过引入IGMO和STTU模块，解决点云序列中长期场景流估计的时序一致性问题，实现实时32.5 FPS性能，优于RGB-D方法。

Comments Accepted in CVPR 2026 (Findings)

Uncertainty-aware Prototype Learning with Variational Inference for Few-shot Point Cloud Segmentation

具有不确定性意识的原型学习与变分推断用于少样本点云分割

Yifei Zhao, Fanyu Zhao, Yinsheng Li

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

AI总结 本文提出UPL方法，通过引入双流原型细化模块和变分推断框架，提升少样本点云分割的鲁棒性和不确定性建模能力，在ScanNet和S3DIS基准上取得最佳性能。

Comments 5 pages, 3 figures, 3 tables, accepted by ICASSP 2026

How to Enable LLM with 3D Capacity? A Survey of Spatial Reasoning in LLM

如何使LLM具备3D能力？LLM中空间推理的综述

Jirong Zha, Yuxuan Fan, Xiao Yang, Chen Gao, Xinlei Chen

机构 * Tsinghua University（清华大学） ； The Hong Kong University of Science and Technology (Guang Zhou)（香港科学与技术大学（广州）） 纠错

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

AI总结 本文综述了将LLM与3D空间理解结合的方法，提出分类体系，涵盖图像、点云和混合模态方法，并讨论了当前限制与未来研究方向。

Comments 9 pages, 5 figures

Journal ref IJCAI 2025

LIORNet: Self-Supervised LiDAR Snow Removal Framework for Autonomous Driving under Adverse Weather Conditions

LIORNet：一种用于恶劣天气条件下自动驾驶的自监督激光雷达雪清除框架

Ji-il Park, Inwook Shim

机构 * Ministry of National Defense（国防 ministry） ； Department of Smart Mobility Engineering（智能移动工程系） 纠错

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

AI总结 本文提出LIORNet，通过自监督学习和多物理统计线索生成伪标签，有效区分噪声点与环境结构，提升恶劣天气下激光雷达感知的准确性和鲁棒性。

Comments 14 pages, 6 figures, 2 tables

SpikeGrasp: A Benchmark for 6-DoF Grasp Pose Detection from Stereo Spike Streams

SpikeGrasp：一种从立体尖峰流中检测6自由度抓取姿态的基准

Zhuoheng Gao, Jiyao Zhang, Zhiyong Xie, Hao Dong, Zhaofei Yu, Rongmei Chen, Guozhang Chen, Tiejun Huang

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

AI总结 本文提出SpikeGrasp框架，通过模拟生物视觉运动通路，利用立体尖峰相机的原始异步事件直接推断抓取姿态，无需重建点云，在复杂和纹理缺失场景中优于传统点云方法。

Comments Some real machine experiments need to be supplemented, and the entire paper is incomplete

PanORama: Multiview Consistent Panoptic Segmentation in Operating Rooms

PanORama：手术室多视角一致的全景分割

Tuna Gürbüz, Ege Özsoy, Tony Danjun Wang, Nassir Navab

机构 * MCML, Germany（MCML，德国） 纠错

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

AI总结 本文提出PanORama，通过单次前向传递在骨干网络中建模跨视角交互，实现手术室多视角一致的全景分割，优于现有方法，且无需校准参数。

ReMAP-DP: Reprojected Multi-view Aligned PointMaps for Diffusion Policy

ReMAP-DP：基于重投影多视角对齐点地图的扩散策略

Xinzhang Yang, Renjun Wu, Jinyan Liu, Xuesong Li

机构 * School of Computer Science, Beijing Institute of Technology, China（北京理工大学计算机科学学院） 纠错

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

AI总结 本文提出ReMAP-DP框架，结合标准化视角重投影与结构感知双流扩散策略，解决2D视觉表示在3D空间感知上的不足，提升机器人在多样化任务中的精度与鲁棒性。

Comments fix some typos

Prompt-based Adaptation in Large-scale Vision Models: A Survey

基于提示的大规模视觉模型适应：综述

Xi Xiao, Yunbei Zhang, Lin Zhao, Yiyang Liu, Xiaoying Liao, Zheda Mai, Xingjian Li, Xiao Wang, Hao Xu, Jihun Hamm, Xue Lin, Min Xu, Qifan Wang, Tianyang Wang, Cheng Han

机构 * University of Alabama at Birmingham, USA（美国阿拉巴马大学伯明翰分校） ； Tulane University, USA（美国路易斯安那大学） ； Northeastern University, USA（美国东北大学） ； University of Missouri-Kansas City, USA（美国密苏里大学堪萨斯城分校） ； Johns Hopkins University, USA（约翰霍普金斯大学） ； Ohio State University, USA（俄亥俄州立大学） ； Carnegie Mellon University, USA（卡内基梅隆大学） ； Oak Ridge National Laboratory, USA（橡树岭国家实验室） ； Harvard University, USA（哈佛大学） ； Mohamed bin Zayed University of Artificial Intelligence, UAE（阿联酋Mohamed bin Zayed人工智能大学） ； Meta AI, USA（Meta AI） 纠错

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

AI总结 本文综述了基于提示的视觉模型适应方法，探讨了VP和VPT的核心机制及在不同领域的应用，揭示了其在测试时适应和可信AI中的作用，并总结了当前基准和未来研究方向。

Comments Accepted by TMLR 2026

FalconBC: Flow matching for Amortized inference of Latent-CONditioned physiologic Boundary Conditions

FalconBC：用于潜伏条件生理边界条件的近似推断流匹配

Chloe H. Choi, Alison L. Marsden, Daniele E. Schiavazzi

机构 * Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系） ； Institute for Computational and Mathematical Engineering, Stanford University（斯坦福大学计算与数学工程研究所） ； Bioengineering, Stanford University（斯坦福大学生物工程系） ； Pediatric Cardiology, Stanford University（斯坦福大学儿科心脏病学） ； Department of Applied and Computational Mathematics and Statistics, University of Notre Dame（诺丁汉大学应用与计算数学与统计学系） 纠错

专题命中 点云 ：point cloud(abstract)

AI总结 本文提出FalconBC框架，通过概率流方法实现对患者特定生理边界条件的近似推断，解决了开放环路模型和血管病变解剖结构中边界条件无法孤立调节的问题。