3D 视觉

Perspective-aware fusion of incomplete depth maps and surface normals for accurate 3D reconstruction

视角感知的不完整深度图与表面法线融合以实现准确的3D重建

Ondrej Hlinka, Georg Kaniak, Christian Kapeller

机构 * Austrian Institute of Technology（奥地利技术研究所） ； Center for Vision, Automation and Control（视觉、自动化与控制中心） ； Competence unit High-Performance Vision System（高性能视觉系统能力单元） 纠错

专题命中 三维重建 ：3D reconstruction(title,abstract)；分类 cs.CV

AI总结 本文提出一种视角感知的对数深度融合方法，通过显式考虑透视投影，提升基于单视角相机的深度和法线图的3D重建精度，并利用法线信息填补缺失深度数据。

Comments submitted to IET Electronics Letters

DRoPS: Dynamic 3D Reconstruction of Pre-Scanned Objects

DRoPS: 动态物体预扫描的动态3D重建

Narek Tumanyan, Samuel Rota Bulò, Denis Rozumny, Lorenzo Porzi, Adam Harley, Tali Dekel, Peter Kontschieder, Jonathon Luiten

机构 * Weizmann Institute of Science（魏茨曼科学研究所） ； Meta Reality Labs（Meta现实实验室） 纠错

专题命中 三维重建 ：3D reconstruction(title)；分类 cs.CV

AI总结 本文提出DRoPS方法，利用动态物体的预扫描作为几何和外观先验，通过网格结构模型和CNN参数化运动，提升渲染质量和3D跟踪精度。

Comments Project page: https://drops-dynamics.github.io/

PE3R: Perception-Efficient 3D Reconstruction

PE3R：感知高效的3D重建

Jie Hu, Shizun Wang, Xinchao Wang

机构 * xML Lab, National University of Singapore（新加坡国立大学xML实验室） 纠错

专题命中 三维重建 ：3D reconstruction(title)；分类 cs.CV

AI总结 PE3R提出一种无需调优的框架，通过集成多视图几何与2D语义先验，实现跨场景的高效3D语义重建，提升推理速度并取得新的SOTA精度。

Comments Accepted to CVPR 2026

A Semantically Disentangled Unified Model for Multi-category 3D Anomaly Detection

一种用于多类3D异常检测的语义解耦统一模型

SuYeon Kim, Wongyu Lee, MyeongAh Cho

机构 * Kyung Hee University（庆熙大学） 纠错

专题命中 三维重建 ：point cloud(abstract)；分类 cs.CV

AI总结 本文提出一种语义解耦的统一模型，通过解耦语义表示提升多类3D异常检测的可靠性与性能，实验表明其在统一模型和类别特定模型上均取得SOTA结果。

Comments Accepted by CVPR 2026

Inferring Compositional 4D Scenes without Ever Seeing One

无需 ever 看到一个推断组合性4D场景

Ahmet Berke Gokmen, Ajad Chhatkuli, Luc Van Gool, Danda Pani Paudel

机构 * INSAIT, Sofia University “St. Kliment Ohridski”（INSAIT，索非亚大学“圣克莱门特·奥赫里德斯基”） 纠错

专题命中 三维重建 ：3D reconstruction(abstract)；分类 cs.CV

AI总结 COM4D通过设计空间和时间注意力训练，仅用静态多物体或动态单物体监督，一致预测4D/3D对象的结构和时空配置，无需4D组合训练数据，实现从单目视频重建完整持久的4D场景。

Comments Project page: https://github.com/insait-institute/COM4D

ICTPolarReal: A Polarized Reflection and Material Dataset of Real World Objects

ICTPolarReal：真实世界物体的偏振反射与材质数据集

Jing Yang, Krithika Dharanikota, Emily Jia, Haiwei Chen, Yajie Zhao

机构 * Institute for Creative Technologies, University of Southern California（南加州大学创意技术研究所） 纠错

专题命中 三维重建 ：3D reconstruction(abstract)；分类 cs.CV

AI总结 本文提出一个大规模真实世界物体偏振反射与材质数据集，用于改进逆渲染和正渲染模型的材料分离与光照真实性。

Comments CVPR 2026

KitchenTwin: Semantically and Geometrically Grounded 3D Kitchen Digital Twins

KitchenTwin: 基于语义和几何的3D厨房数字孪生

Quanyun Wu, Kyle Gao, Daniel Long, David A. Clausi, Jonathan Li, Yuhao Chen

机构 * University of Waterloo（滑铁卢大学） 纠错

专题命中 三维重建 ：point cloud(abstract)；分类 cs.CV

AI总结 本文提出一种基于语义和几何的3D厨房数字孪生框架，通过融合视觉引导的对象网格与Transformer预测的全局点云，实现几何一致的数字孪生构建。

TopoMesh: High-Fidelity Mesh Autoencoding via Topological Unification

TopoMesh: 通过拓扑统一实现高保真的网格自编码

Guan Luo, Xiu Li, Rui Chen, Xuanyu Yi, Jing Lin, Chia-Hao Chen, Jiahang Liu, Song-Hai Zhang, Jianfeng Zhang

机构 * Tsinghua University（清华大学） ； ByteDance Seed（字节跳动种子） ； HKUST（香港科技大学） 纠错

专题命中 三维重建 ：3D generation(abstract)；分类 cs.CV

AI总结 TopoMesh通过拓扑统一框架解决网格生成中的拓扑不匹配问题，利用稀疏体素VAE实现高保真重建，提升几何细节和锐利特征的保留能力。

Comments Accepted to CVPR 2026. Project page: https://logan0601.github.io/projects/topomesh/index.html

ArtPro: Self-Supervised Articulated Object Reconstruction with Adaptive Integration of Mobility Proposals

ArtPro: 基于自监督的可动物体重建与移动提案的自适应整合

Xuelu Li, Zhaonan Wang, Xiaogang Wang, Lei Wu, Manyi Li, Changhe Tu

机构 * Shandong University（山东大学） ； Southwest University（西南大学） 纠错

专题命中 三维重建 ：Gaussian Splatting(abstract)；分类 cs.CV

AI总结 ArtPro提出了一种自监督框架，通过自适应整合移动提案来解决传统方法在复杂多部件物体重建中的精度和稳定性问题，实验表明其在合成和真实物体上均表现优异。

Weight Space Representation Learning on Diverse NeRF Architectures

在多样NeRF架构上进行权重空间表示学习

Francesco Ballerini, Pierluigi Zama Ramirez, Luigi Di Stefano, Samuele Salti

机构 * University of Bologna（博洛尼亚大学） 纠错

专题命中 NeRF ：NeRF(title,abstract)；分类 cs.CV

AI总结 本文提出首个能处理多种NeRF架构并进行推理的框架，通过无监督表示学习框架训练图元网络，实现架构无关的潜在空间，实验显示在多种架构上表现稳健。

Comments v5: fixed typo in tabs. 11-13. Accepted at ICLR 2026

Accurate Point Measurement in 3DGS -- A New Alternative to Traditional Stereoscopic-View Based Measurements

3DGS中的准确点测量——一种传统立体视图测量的新替代方法

Deyan Deng, Rongjun Qin

机构 * Dept. of Civil, Environmental and Geodetic Engineering, The Ohio State University, Columbus OH, US（土木、环境与大地测量工程系，俄亥俄州立大学，哥伦布 OH，美国） ； Dept. of Electrical and Computer Engineering, The Ohio State University, Columbus OH, US（电气与计算机工程系，俄亥俄州立大学，哥伦布 OH，美国） 纠错

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

AI总结 本文提出一种基于3DGS的点测量方法，通过三角化不同视图中的共线点，实现高精度3D点测量，无需立体工作站或专业操作员能力，且支持多视图交点以提高精度。

Comments Accepted to the 2026 ISPRS Congress

Pose-Free Omnidirectional Gaussian Splatting for 360-Degree Videos with Consistent Depth Priors

无姿态全景方向高斯溅射用于具有一致深度先验的360度视频

Chuanqing Zhuang, Xin Lu, Zehui Deng, Zhengda Lu, Yiqun Wang, Junqi Diao, Jun Xiao

机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Chongqing University（重庆大学） ； Air Force Engineering University（空军工程大学） 纠错

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

AI总结 本文提出PFGS360方法，通过无姿态全景视频重建3D高斯，利用一致性深度先验估计姿态并提升视图合成保真度。

HyperGaussians: High-Dimensional Gaussian Splatting for High-Fidelity Animatable Face Avatars

HyperGaussians: 高维高斯点云用于高质量可动画人脸仿生体

Gent Serifi, Marcel C. Buehler

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 本文提出HyperGaussians，一种高维多变量高斯点云的扩展，用于生成高质量可动画人脸仿生体。通过引入可学习的局部嵌入条件，提升表达能力，解决传统3DGS在非线性变形和细节表现上的不足。

Comments CVPR 2026, Project page: https://gserifi.github.io/HyperGaussians, Code: https://github.com/gserifi/HyperGaussians

Stochastic Ray Tracing for the Reconstruction of 3D Gaussian Splatting

随机光线追踪用于3D高斯点云重建

Peiyu Xu, Xin Sun, Krishna Mullia, Raymond Fei, Iliyan Georgiev, Shuang Zhao

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Adobe Research（Adobe 研究院） ； Canva Research（Canva 研究院） 纠错

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

AI总结 本文提出一种无排序的随机光线追踪方法，用于重建和渲染标准及可照明的3D高斯点云场景，提升了重建质量和速度。

Comments Project Page: https://xupaya.github.io/stoch3DGS/

Cross-Instance Gaussian Splatting Registration via Geometry-Aware Feature-Guided Alignment

跨实例高斯点云对齐 via 几何感知特征引导对齐

Roy Amoyal, Oren Freifeld, Chaim Baskin

机构 * Ben-Gurion University of the Negev（内盖夫本-古里安大学） 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GSA方法，通过相似变换对齐不同类别的3DGS模型，无需真实尺度输入，通过迭代特征引导绝对对齐和多视图特征一致性优化，实现跨实例对齐。

Comments Accepted to CVPR 2026

3D Gaussian Splatting with Self-Constrained Priors for High Fidelity Surface Reconstruction

具有自约束先验的3D高斯点云用于高保真的表面重建

Takeshi Noda, Yu-Shen Liu, Zhizhong Han

机构 * School of Software, Tsinghua University（清华大学软件学院） ； Department of Computer Science, Wayne State University（韦恩州立大学计算机科学系） 纠错

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

AI总结 本文提出自约束先验以约束3D高斯学习，提升深度渲染精度，通过融合当前3D高斯生成的深度图得到TSDF网格，生成带状约束以优化高斯分布，同时定期更新以提高准确性。

Comments Accepted by CVPR 2026. Project page: https://takeshie.github.io/GSPrior

Learning Explicit Continuous Motion Representation for Dynamic Gaussian Splatting from Monocular Videos

从单目视频学习显式连续运动表示以实现动态高斯点扩散

Xuankai Zhang, Junjin Xiao, Shangwei Huang, Wei-shi Zheng, Qing Zhang

机构 * School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） ； Key Laboratory of Machine Intelligence and Advanced Computing, Ministry of Education（教育部机器智能与先进计算重点实验室） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；novel view synthesis(abstract)；分类 cs.CV

AI总结 本文提出了一种从单目视频生成高质量动态高斯点扩散的方法，通过SE(3) B样条运动基函数显式建模动态高斯的连续位置和姿态变形，并采用自适应控制机制提升计算效率和复杂运动建模能力。

Comments Accepted to CVPR 2026

IDESplat: Iterative Depth Probability Estimation for Generalizable 3D Gaussian Splatting

IDESplat: 迭代深度概率估计用于通用的3D高斯散射

Wei Long, Haifeng Wu, Shiyin Jiang, Jinhua Zhang, Xinchun Ji, Shuhang Gu

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院航天信息研究所） 纠错

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

AI总结 IDESplat通过迭代深度概率估计提升3D高斯散射的通用性，利用多级DPBU单元消除单一 warp 的不稳定性，实现更精确的高斯均值预测。

Less Gaussians, Texture More: 4K Feed-Forward Textured Splatting

更少高斯，纹理更多：4K前馈纹理散射

Yixing Lao, Xuyang Bai, Xiaoyang Wu, Nuoyuan Yan, Zixin Luo, Tian Fang, Jean-Daniel Nahmias, Yanghai Tsin, Shiwei Li, Hengshuang Zhao

机构 * HKU（香港大学） ； Apple（苹果公司） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(abstract)；novel view synthesis(abstract)；分类 cs.CV

AI总结 本文提出LGTM方法，通过预测紧凑高斯体与每体纹理，实现高分辨率4K视图合成，无需场景优化，显著减少高斯体数量。

MoRel: Long-Range Flicker-Free 4D Motion Modeling via Anchor Relay-based Bidirectional Blending with Hierarchical Densification

MoRel：通过基于锚点中继的双向混合与分层密集化实现长距离无闪烁的4D运动建模

Sangwoon Kwak, Weeyoung Kwon, Jun Young Jeong, Geonho Kim, Won-Sik Cheong, Jihyong Oh

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

AI总结 本文提出MoRel框架，通过锚点中继双向混合与分层密集化方法，实现长距离动态场景的高效4D重建，解决内存占用、时间闪烁及遮挡处理问题。

Comments CVPR 2026 (camera ready ver.). The first two authors contributed equally to this work (equal contribution). Please visit our project page at https://cmlab-korea.github.io/MoRel/

MoRGS: Efficient Per-Gaussian Motion Reasoning for Streamable Dynamic 3D Scenes

MoRGS：面向流式动态3D场景的高效每高斯运动推理

Wonjoon Lee, Sungmin Woo, Donghyeong Kim, Jungho Lee, Sangheon Park, Sangyoun Lee

机构 * Yonsei University（延世大学） ； Electronics and Telecommunications Research Institute (ETRI)（韩国电子通信研究院） 纠错

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

AI总结 本文提出MoRGS，通过显式建模每高斯运动提升4D重建质量，利用稀疏关键视图的光流作为轻量运动提示，引入每高斯运动置信度以区分动态与静态高斯，提升重建质量和时间一致性。

$π$, But Make It Fly: Physics-Guided Transfer of VLA Models to Aerial Manipulation

$π$, 但使其飞行：基于物理的VLA模型向空中操作的转移

Johnathan Tucker, Denis Liu, Aiden Swann, Allen Ren, Javier Yu, Jiankai Sun, Brandon Kim, Lachlain McGranahan, Quan Vuong, Mac Schwager

机构 * Stanford University（斯坦福大学） ； Physical Intelligence 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(abstract)；分类 cs.RO

AI总结 本文提出AirVLA系统，研究预训练VLA模型在空中抓取任务中的迁移性，通过引入负载感知指导机制和高斯点扩散管道合成数据，提升空中操作性能，实现导航任务100%成功和抓取任务50%成功。

DC-Reg: Globally Optimal Point Cloud Registration via Tight Bounding with Difference of Convex Programming

DC-Reg: 通过紧密边界与凸优化编程实现全局最优点云配准

Wei Lian, Fei Ma, Hang Pan, Zhesen Cui, Wangmeng Zuo

机构 * Department of Computer Science, Changzhi University（长治大学计算机科学系） ； School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院） 纠错

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

AI总结 本文提出DC-Reg框架，通过紧密的分支限界搜索和凸优化编程，解决点云配准中的全局最优问题，实验显示其在速度和鲁棒性上优于现有方法。

3D sans 3D Scans: Scalable Pre-training from Video-Generated Point Clouds

3D无需3D扫描：从视频生成点云进行可扩展预训练

Ryousuke Yamada, Kohsuke Ide, Yoshihiro Fukuhara, Hirokatsu Kataoka, Gilles Puy, Andrei Bursuc, Yuki M. Asano

机构 * AIST（产业技术综合研究所） ； University of Technology Nuremberg（纽伦堡工业大学） ； University of Oxford（牛津大学） ； INRIA（法国国家信息与自动化研究所） 纠错

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

AI总结 本文提出LAM3C框架，通过视频生成点云进行自监督学习，无需真实3D扫描即可在室内语义和实例分割中取得更好性能。

Comments Accepted to CVPR 2026. Project page: https://ryosuke-yamada.github.io/lam3c/

ConcreTizer: Model Inversion Attack via Occupancy Classification and Dispersion Control for 3D Point Cloud Restoration

ConcreTizer：通过占用分类和分散控制进行模型反向攻击以恢复3D点云

Youngseok Kim, Sunwook Hwang, Hyung-Sin Kim, Saewoong Bahk

机构 * Department of Electrical and Computer Engineering, Seoul National University（首尔国立大学电气与计算机工程系） ； System LSI, Samsung Electronics（三星电子系统LSI） ； Graduate School of Data Science, Seoul National University（首尔国立大学数据科学研究生院） 纠错

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

AI总结 针对3D点云数据的模型反向攻击研究，通过占用分类和分散控制技术恢复受损点云场景，实验验证了其有效性及3D数据的脆弱性。

Comments Added acceptance note (ICLR 2025) to the heading

Foundry: Distilling 3D Foundation Models for the Edge

Foundry：为边缘设备蒸馏3D基础模型

Guillaume Letellier, Siddharth Srivastava, Frédéric Jurie, Gaurav Sharma

机构 * GREYC, Normandy University, Unicaen, ENSICAEN, UMR CNRS 6072（GREYC，诺曼底大学，卡昂大学，ENSICAEN，CNRS UMR 6072） ； IIT Delhi（印度理工学院德里分校） ； IIT Kanpur（印度理工学院坎普尔分校） 纠错

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

AI总结 本文提出Foundry，一种蒸馏3D点云的大规模自监督学习模型的方法，通过压缩模型保留通用表示能力，使模型更适用于资源受限的边缘设备。

Comments Accepted at CVPR 2026

Particle method for a nonlinear multimarginal optimal transport problem

非线性多边际最优运输问题的粒子方法

Adrien Cances, Quentin Mérigot, Luca Nenna

专题命中 点云 ：point cloud(abstract)

AI总结 本文提出一种粒子方法解决非线性多边际最优运输问题，通过粒子离散化和Wasserstein惩罚实现约束条件，证明了收敛性并讨论了在风险管理和偏正中心等应用中的数值实验。

Topological optimization with birth and death cochains

带出生和死亡链的拓扑优化

Thomas Weighill, Ling Zhou

专题命中 点云 ：point cloud(abstract)

AI总结 本文引入了出生和死亡链的概念，用于泛化持久同调中的出生和死亡单纯形，提出出生和死亡内容作为损失函数在拓扑优化中的应用，并展示了其在点云、时间序列和标量场中的优势。

Comments Supplementary Material included as Appendix C in this version

A Wireless World Model for AI-Native 6G Networks

面向AI原生6G网络的无线世界模型

Ziqi Chen, Yi Ren, Yixuan Huang, Qi Sun, Nan Li, Yuhong Huang, Chih-Lin I, Yifan Li, Liang Xia

机构 * China Mobile Research Institute（中国移动研究院） 纠错

专题命中 点云 ：point cloud(abstract)

AI总结 本文提出无线世界模型（WWM），通过内化三维几何与信号动态的因果关系，预测无线信道的时空演化，实现跨动态环境的泛化能力，优于现有单模基础模型和任务专用模型。

How unconstrained machine-learning models learn physical symmetries

无约束机器学习模型如何学习物理对称性

Michelangelo Domina, Joseph William Abbott, Paolo Pegolo, Filippo Bigi, Michele Ceriotti

机构 * Laboratory of Computational Science 纠错

专题命中 点云 ：point cloud(abstract)

AI总结 本文研究无约束机器学习模型如何通过数据增强策略学习近似协变行为，并提出严格指标评估模型对称性，揭示架构层对称信息处理机制，建立诊断ML模型谱失败模式的框架。

Comments 15 pages, 9 figures