3D 视觉

Contrastive Metric Learning for Point Cloud Segmentation in Highly Granular Detectors

基于对比度度量学习的点云分割方法用于高粒度探测器

Max Marriott-Clarke, Lazar Novakovic, Elizabeth Ratzer, Robert J. Bainbridge, Loukas Gouskos, Benedikt Maier

机构 * Blackett Laboratory, Imperial College London, UK（帝国理工学院伦敦学院布莱克特实验室） ； Brown Center for Theoretical Physics and Innovation (BCTPI), Brown University, USA（布朗大学理论物理与创新中心） 纠错

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

AI总结 本文提出基于监督对比度度量学习的点云分割方法，通过学习潜在表示实现点云分割，相比传统方法更稳定且分离度更高，提升重建效率和纯度。

Spatially-Aware Evaluation Framework for Aerial LiDAR Point Cloud Semantic Segmentation: Distance-Based Metrics on Challenging Regions

面向空中的激光雷达点云语义分割的空间感知评估框架：基于距离的挑战区域指标

Alex Salvatierra, José Antonio Sanz, Christian Gutiérrez, Mikel Galar

机构 * Department of Statistics, Computer Science and Mathematics and Institute of Smart Cities (ISC), Public University of Navarre (UPNA)（统计、计算机科学与数学系和智能城市研究所（ISC），纳瓦拉公共大学） ； Tracasa Instrumental 纠错

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

AI总结 本文提出一种新的评估框架，通过引入基于距离的指标和聚焦于困难点的评估方法，解决传统指标在空中有激光雷达数据中的局限性，揭示空间误差模式，提升地球观测应用中的模型选择。

Comments 11 pages, 1 figure

LiZIP: An Auto-Regressive Compression Framework for LiDAR Point Clouds

LiZIP：一种用于激光雷达点云的自回归压缩框架

Aditya Shibu, Kayvan Karim, Claudio Zito

机构 * MACS Heriot Watt University Dubai, United Arab Emirates（MACS 哈罗德·瓦特大学迪拜，阿联酋） 纠错

专题命中 点云 ：point cloud(title)；分类 cs.RO

AI总结 本文提出LiZIP框架，通过神经预测编码实现轻量级近无损压缩，优于现有方法，在不同数据集上实现更高的压缩比和效率，适用于V2X和大规模云存储。

Comments 8 pages

CCF: Complementary Collaborative Fusion for Domain Generalized Multi-Modal 3D Object Detection

CCF：互补协作融合用于领域泛化的多模态3D目标检测

Yuchen Wu, Kun Wang, Yining Pan, Na Zhao

机构 * Singapore University of Technology and Design（新加坡科技设计大学） 纠错

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

AI总结 本文提出CCF方法，通过查询解耦损失、LiDAR引导深度先验和互补跨模态掩码，提升多模态3D目标检测在跨领域场景下的鲁棒性，实验表明优于现有方法且保持源域性能。

Comments Accepted to CVPR 2026

Efficient Hybrid SE(3)-Equivariant Visuomotor Flow Policy via Spherical Harmonics for Robot Manipulation

基于球面谐波的高效混合SE(3)-等变视觉运动流策略用于机器人操作

Qinglun Zhang, Shen Cheng, Tian Dan, Haoqiang Fan, Guanghui Liu, Shuaicheng Liu

机构 * University of Electronic Science and Technology of China（电子科学与技术大学） ； Dexmal 纠错

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

AI总结 本文提出E3Flow框架，通过球面谐波表示实现高效且稳定的多模态等变学习，提升机器人操作的性能、效率和数据效率。

Comments Accepted by CVPR 2026

MS-DGCNN++: Multi-Scale Dynamic Graph Convolution with Scale-Dependent Normalization for Robust LiDAR Tree Species Classification

MS-DGCNN++：多尺度动态图卷积与尺度依赖归一化用于鲁棒点云树种分类

Said Ohamouddou, Hanaa El Afia, Mohamed Hamza Boulaich, Abdellatif El Afia, Raddouane Chiheb

机构 * ENSIAS ； Mohammed V University（摩洛哥穆罕默德五世大学） 纠错

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

AI总结 本文提出MS-DGCNN++，通过多尺度动态图卷积与尺度依赖归一化提升点云树种分类鲁棒性，实验表明其在不同SNR环境下具有更高的准确率和稳定性。