3D 视觉

NARVis: Neural Accelerated Rendering for Real-Time Scientific Point Cloud Visualization

NARVis：神经加速渲染用于实时科学点云可视化

Srinidhi Hegde, Kaur Kullman, Thomas Grubb, Leslie Lait, Stephen Guimond, Matthias Zwicker

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） ； NASA（美国国家航空航天局） ； Hampton University（汉普顿大学） 纠错

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

AI总结 NARVis通过神经后处理提升大规模点云渲染效率，实现高速高保真可视化，适用于多维流场和地形扫描。

Octree-based Learned Point Cloud Geometry Compression: A Lossy Perspective

基于八叉树的学得点云几何压缩：一种有损视角

Kaiyu Zheng, Wei Gao, Huiming Zheng

机构 * School of Electronic and Computer Engineering, Shenzhen Graduate School, Peking University（北京大学深圳研究生院电子与计算机工程学院） 纠错

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

AI总结 本文提出针对不同点云的有损压缩方法，针对物体点云改进叶节点压缩，针对LiDAR点云提出变率控制方法，实验显示方法在物体点云上表现更优，在LiDAR点云上实现约1%的比特误差。

Annotation-Free Detection of Drivable Areas and Curbs Leveraging LiDAR Point Cloud Maps

无需标注的 drivable 区域和路障检测：利用 LiDAR 点云地图

Fulong Ma, Daojie Peng, Jun Ma

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

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

AI总结 本文提出 MADL 模块，通过 LiDAR 地图与路障检测结合，自动生成训练数据，提升 drivable 区域和路障检测的鲁棒性和准确性。

Approximation of symmetric total variation on point clouds

对点云上对称全变分的近似

Stefano Almi, Anna Kubin, Emanuele Tasso

专题命中 点云 ：point cloud(title,abstract)

AI总结 本文研究了在图上对称全变分函数的近似，通过随机采样参考概率测度得到点云，构建离散对称有限差分模型，确定合适的点分布缩放以保证几乎必然Γ-收敛到各向异性加权对称全变分。

EAGLE: Contextual Point Cloud Generation via Adaptive Continuous Normalizing Flow with Self-Attention

EAGLE：通过自适应连续归一化流与自注意力实现上下文点云生成

Linhao Wang, Qichang Zhang, Yifan Yang, Ye Su, Hao Wang

专题命中 点云 ：point cloud(title,abstract)

AI总结 本文提出EAGLE模型，结合自注意力机制与自适应连续归一化流，有效捕捉点云的全局上下文信息，并通过自适应偏差校正机制提升生成质量。

SimULi: Real-Time LiDAR and Camera Simulation with Unscented Transforms

SimULi: 基于无散射变换的实时激光雷达和摄像头模拟

Haithem Turki, Qi Wu, Xin Kang, Janick Martinez Esturo, Shengyu Huang, Ruilong Li, Zan Gojcic, Riccardo de Lutio

专题命中 点云 ：NeRF(abstract)；3DGS(abstract)；分类 cs.CV、cs.GR、cs.RO

AI总结 SimULi 提出一种实时渲染任意相机模型和激光雷达数据的方法，通过扩展 3DGUT 并引入自动化拼接策略和射线剔除，提升了渲染速度和精度，适用于自动驾驶场景的高保真测试。

Comments ICLR 2026 - project page: https://research.nvidia.com/labs/sil/projects/simuli

Physics-Aware Diffusion for LiDAR Point Cloud Densification

面向激光雷达点云密集化的物理感知扩散模型

Zeping Zhang, Robert Laganière

机构 * University of Ottawa（渥太华大学） 纠错

专题命中 点云 ：point cloud(title)；分类 cs.CV

AI总结 本文提出Scanline-Consistent Range-Aware Diffusion模型，通过概率细化提升激光雷达点云密集度，以156ms实现高保真结果，采用Ray-Consistency损失和Negative Ray增强技术抑制物理幻觉，提升3D检测性能。

Tele-Catch: Adaptive Teleoperation for Dexterous Dynamic 3D Object Catching

Tele-Catch：适应性远程操作用于灵巧动态3D物体捕捉

Weiguang Zhao, Junting Dong, Rui Zhang, Kailin Li, Qin Zhao, Kaizhu Huang

机构 * Princeton University（普林斯顿大学） ； Springer Heidelberg（海德堡施普林格出版社） ； ABC Institute, Rupert-Karls-University Heidelberg（ABC研究所，鲁普雷希特-卡尔斯-海德堡大学） 纠错

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

AI总结 本文提出Tele-Catch框架，通过融合手套信号与扩散策略去噪过程，实现动态物体捕捉任务中的共享自主控制，提升准确性和鲁棒性。

Ghost-FWL: A Large-Scale Full-Waveform LiDAR Dataset for Ghost Detection and Removal

Ghost-FWL: 一种大规模全波形激光雷达数据集用于鬼影检测与去除

Kazuma Ikeda, Ryosei Hara, Rokuto Nagata, Ozora Sako. Zihao Ding, Takahiro Kado, Ibuki Fujioka, Taro Beppu, Mariko Isogawa, Kentaro Yoshioka

机构 * Keio University（庆应义塾大学） ； Sony Semiconductor Solutions（索尼半导体解决方案） 纠错

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

AI总结 本文提出Ghost-FWL数据集，用于解决移动激光雷达中鬼影点的检测与去除问题，通过全波形激光雷达数据提升3D映射和定位精度，实验表明其在SLAM和目标检测任务中效果显著。

Comments Accepted to CVPR 2026 (Main)

Hg-I2P: Bridging Modalities for Generalizable Image-to-Point-Cloud Registration via Heterogeneous Graphs

Hg-I2P：通过异构图实现通用的图像到点云配准

Pei An, Junfeng Ding, Jiaqi Yang, Yulong Wang, Jie Ma, Liangliang Nan

机构 * Huazhong University of Science and Technology（华中科技大学） ； Northwestern Polytechnical University（西北工业大学） ； Huazhong Agricultural University（华中农业大学） ； Delft University of Technology（代尔夫特理工大学） 纠错

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

AI总结 本文提出Hg-I2P方法，通过异构图融合多模态特征，提升图像与点云配准的泛化能力和精度。

Comments Accepted to CVPR 2026

LitePT: Lighter Yet Stronger Point Transformer

LitePT: 更轻更强大的点云变换器

Yuanwen Yue, Damien Robert, Jianyuan Wang, Sunghwan Hong, Jan Dirk Wegner, Christian Rupprecht, Konrad Schindler

机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Oxford（牛津大学） ； University of Zurich（苏黎世大学） 纠错

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

AI总结 本文提出LitePT模型，通过在早期阶段使用卷积层，后期切换至注意力机制，减少参数并提升效率，同时在多个任务和数据集上表现优异。

Comments CVPR 2026, Project page: https://litept.github.io/

PointCNN++: Performant Convolution on Native Points

PointCNN++: 针对原始点的高效卷积

Lihan Li, Haofeng Zhong, Rui Bu, Mingchao Sun, Wenzheng Chen, Baoquan Chen, Yangyan Li

机构 * Peking University（北京大学） ； Ant Group（蚂蚁集团） ； AMAP（高德地图） 纠错

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

AI总结 PointCNN++提出了一种新的架构设计，通过将稀疏卷积从体素扩展到点，解决了精度与性能之间的权衡问题，实现了高保真和高效3D学习。

LiDAR for Crowd Management: Applications, Benefits, and Future Directions

激光雷达用于人群管理：应用、优势与未来方向

Abdullah Khanfor, Chaima Zaghouani, Hakim Ghazzai, Ahmad Alsharoa, Gianluca Setti

机构 * College of Computer Science and Information Systems, Najran University（纳吉兰大学计算机科学与信息系统学院） ； College of Innovation & Technology, University of Michigan-Flint（密歇根大学弗林特分校创新与技术学院） ； King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学） 纠错

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

AI总结 本文探讨了激光雷达在人群管理中的应用与优势，分析了其在隐私保护、恶劣天气适应性和三维建模方面的优势，并提出未来研究方向，包括数据集稀缺性、传感器融合与点云处理等。

Comments 8 pages, 5 figures, 1 table

SPREAD: Spatial-Physical REasoning via geometry Aware Diffusion

SPREAD：通过几何感知扩散进行空间-物理推理

Minzhang Li, Kuixiang Shao, Xuebing Li, Yuyang Jiao, Yinuo Bai, Hengan Zhou, Sixian Shen, Jiayuan Gu, Jingyi Yu

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

AI总结 SPREAD通过图Transformer联合学习空间和物理关系，利用场景点云进行几何感知，整合可微指导实现碰撞避免和物理一致性，实验显示在空间关系和物理指标上达到SOTA。

Efficient Encoder-Free Fourier-based 3D Large Multimodal Model

高效无编码器的基于傅里叶的3D大多模态模型

Guofeng Mei, Wei Lin, Luigi Riz, Yujiao Wu, Yiming Wang, Fabio Poiesi

机构 * Fondazione Bruno Kessler, Italy（意大利布鲁诺·凯斯勒基金会） ； JKU Linz, Austria（奥地利林茨约翰·开普勒大学） ； CSIRO, Australia（澳大利亚联邦科学与工业研究组织） 纠错

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

AI总结 本文提出Fase3D，一种基于傅里叶变换的无编码器3D多模态模型，通过结构化超点和空间填充曲线实现高效全局上下文建模，显著提升计算效率和参数效率。

Journal ref CVPR 2026 camera ready

To Augment or Not to Augment? Diagnosing Distributional Symmetry Breaking

增强还是不增强？诊断分布对称性破坏

Hannah Lawrence, Elyssa Hofgard, Vasco Portilheiro, Yuxuan Chen, Tess Smidt, Robin Walters

机构 * MIT（麻省理工学院） ； University College London（伦敦大学学院） ； Northeastern University（东北大学） 纠错

专题命中 点云 ：point cloud(abstract)

AI总结 本文提出了一种评估数据集对称性破坏的指标，揭示了点云数据集中的严重偏见问题，并展示了对称性破坏对模型性能的影响。

Comments Published as a conference paper at ICLR 2026. A short version of this paper appeared at the ICLR AI4Mat workshop in April 2025