3D 视觉

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

Persistence-based topological optimization: a survey

基于持久性的拓扑优化：综述

Mathieu Carriere, Yuichi Ike, Théo Lacombe, Naoki Nishikawa

专题命中 点云 ：point cloud(abstract)

AI总结 本文综述了利用持久性理论进行拓扑优化的研究进展，涵盖理论基础、算法方法及实际应用，提供开源库帮助研究者深入理解该领域。