3D 视觉

SING3R-SLAM: Submap-based Indoor Monocular Gaussian SLAM with 3D Reconstruction Priors

SING3R-SLAM：基于子地图的室内单目高斯SLAM与3D重建先验

Kunyi Li, Michael Niemeyer, Sen Wang, Stefano Gasperini, Nassir Navab, Federico Tombari

机构 * Technical University of Munich（慕尼黑工业大学） ； Google（谷歌） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； VisualAIs 纠错

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

AI总结 本文提出SING3R-SLAM，通过全局一致的高斯地图和子地图级全局对齐，实现高效的室内单目SLAM与3D重建，实验显示其在姿态估计、3D重建和视图渲染方面性能优异。

DePT3R: Joint Dense Point Tracking and 3D Reconstruction of Dynamic Scenes in a Single Forward Pass

DePT3R：在单次前向传递中联合密集点跟踪和动态场景的3D重建

Vivek Alumootil, Tuan-Anh Vu

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

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

AI总结 DePT3R通过提取深度时空特征和密集预测头，实现动态场景的密集点跟踪与3D重建，无需相机姿态，提升适应性和效率。

Comments This is a work in progress

TrackerSplat: Exploiting Point Tracking for Fast and Robust Dynamic 3D Gaussians Reconstruction

TrackerSplat：利用点跟踪实现快速且鲁棒的动态3D高斯重建

Daheng Yin, Isaac Ding, Yili Jin, Jianxin Shi, Jiangchuan Liu

机构 * Simon Fraser University（西蒙弗雷泽大学） ； McGill University（麦吉尔大学） ； Nankai University（南开大学） 纠错

专题命中 三维重建 ：Gaussian Splatting(abstract)；3DGS(abstract)；3D reconstruction(abstract)；分类 cs.CV、cs.GR

AI总结 TrackerSplat通过整合先进点跟踪方法，提升动态场景重建中3D高斯的鲁棒性和可扩展性，有效减少大位移导致的失真和时间不一致问题，实现高吞吐量与高质量重建。

Comments 11 pages, 6 figures

Journal ref SA Conference Papers '25: Proceedings of the SIGGRAPH Asia 2025 Conference Papers Article No.: 71, Pages 1 - 11

UniRecGen: Unifying Multi-View 3D Reconstruction and Generation

UniRecGen：统一多视图3D重建与生成

Zhisheng Huang, Jiahao Chen, Cheng Lin, Chenyu Hu, Hanzhuo Huang, Zhengming Yu, Mengfei Li, Yuheng Liu, Zekai Gu, Zibo Zhao, Yuan Liu, Xin Li, Wenping Wang

机构 * Macau University of Science and Technology（澳门科技大学） ； Xidian University（西安电子科技大学） ； ShanghaiTech University（上海科技大学） ； Hong Kong University of Science and Technology（香港科技大学） ； University of California, Irvine（加利福尼亚大学尔湾分校） 纠错

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

AI总结 UniRecGen融合了高效重建与生成模型，通过共享空间协作学习提升多视图3D模型的完整性和一致性，实验显示其在稀疏观测下生成更精确稳定的3D模型。

PAOLI: Pose-free Articulated Object Learning from Sparse-view Images

PAOLI：无需姿态的稀疏视角图像中的人体姿态学习

Jianning Deng, Kartic Subr, Hakan Bilen

机构 * University of Edinburgh（爱丁堡大学） 纠错

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

AI总结 本文提出了一种利用稀疏视角图像建模可变形物体的方法，通过四视角独立重建并学习变形场，分离静态与运动部件，实现鲁棒的跨视角和跨姿态一致性优化。

Neural Field-Based 3D Surface Reconstruction of Microstructures from Multi-Detector Signals in Scanning Electron Microscopy

基于神经场的多探测器信号扫描电子显微镜微结构三维表面重建

Shuo Chen, Yijin Li, Xi Zheng, Guofeng Zhang

机构 * State Key Lab of CAD&CG, Zhejiang University（浙江大学CAD&CG国家重点实验室） ； Alibaba Group（阿里巴巴集团） ； Analysis Center of Agriculture, Life and Environment Sciences, Zhejiang University（浙江大学农业、生命与环境科学分析中心） 纠错

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

AI总结 本文提出NFH-SEM框架，利用神经场整合多视图几何与探测器信号光度立体线索，实现高保真三维表面重建，展示了在不同材料上的精确恢复能力。

Comments CVPR 2026

Factorized Multi-Resolution HashGrid for Efficient Neural Radiance Fields: Execution on Edge-Devices

因子化多分辨率哈希网格：用于高效神经辐射场的执行边缘设备

Kim Jun-Seong, Mingyu Kim, GeonU Kim, Tae-Hyun Oh, Jin-Hwa Kim

机构 * POSTECH（浦项科技大学） ； KAIST（韩国科学技术院） ； NAVER AI Lab（NAVER AI实验室） 纠错

专题命中 NeRF ：NeRF(abstract)；分类 cs.CV

AI总结 本文提出Fact-Hash，一种用于边缘设备神经辐射场训练的参数编码方法，通过融合张量分解与哈希编码技术，提升内存效率和渲染速度，实现高质量3D表示。

Comments Accepted for publication in IEEE Robotics and Automation Letters (RA-L)

Journal ref IEEE Robotics and Automation Letters (RA-L), 2024

VBGS-SLAM: Variational Bayesian Gaussian Splatting Simultaneous Localization and Mapping

VBGS-SLAM：变分贝叶斯高斯点撒SLAM

Yuhan Zhu, Yanyu Zhang, Jie Xu, Wei Ren

机构 * University of California, Riverside（加州大学河滨分校） 纠错

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

AI总结 本文提出VBGS-SLAM，结合高斯点撒地图优化与相机姿态跟踪，通过变分推断提升鲁棒性和精度，实验证明在长序列预测和多场景中表现优异。

SparseSplat: Towards Applicable Feed-Forward 3D Gaussian Splatting with Pixel-Unaligned Prediction

SparseSplat: 向可应用的前馈3D高斯点划法迈进：像素不齐预测

Zicheng Zhang, Xiangting Meng, Ke Wu, Wenchao Ding

机构 * Fudan University（复旦大学） ； ShanghaiTech University（上海科技大学） 纠错

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

AI总结 本文提出SparseSplat，首个可适应场景结构和局部区域信息丰富度的前馈3D高斯点划法模型，生成紧凑的3DGS地图，实验表明其在22%和1.5%的高斯数量下均能获得优异渲染质量。

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026

FACT-GS: Frequency-Aligned Complexity-Aware Texture Reparameterization for 2D Gaussian Splatting

FACT-GS：频率对齐的复杂度感知纹理重参数化用于2D高斯点划法

Tianhao Xie, Linlian Jiang, Xinxin Zuo, Yang Wang, Tiberiu Popa

机构 * Concordia University（康考迪亚大学） ； Mila–Quebec AI Institute（Mila-魁北克人工智能研究所） 纠错

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

AI总结 FACT-GS通过根据局部视觉频率分配纹理采样密度，提高2D高斯点划法的纹理空间利用效率，实现更清晰的高频细节表现。

Comments 11 pages, 6 figures, CVPR 2026 Findings track. Project page: https://tianhaoxie.github.io/project/FACT-GS/

Flash-Mono: Feed-Forward Accelerated Gaussian Splatting Monocular SLAM

Flash-Mono: 基于前馈加速的高斯点云单目SLAM

Zicheng Zhang, Ke Wu, Xiangting Meng, Keyu Liu, Jieru Zhao, Wenchao Ding

机构 * Fudan University（复旦大学） ； ShanghaiTech University（上海科技大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 Flash-Mono通过前馈预测前端和高效隐藏状态模块，解决了单目高斯点云SLAM在时间效率、几何精度和多视角一致性方面的不足，实现10倍速度提升和高质量渲染。

Journal ref International Conference on Learning Representations, 2026

NavCrafter: Exploring 3D Scenes from a Single Image

NavCrafter：从单张图像探索3D场景

Hongbo Duan, Peiyu Zhuang, Yi Liu, Zhengyang Zhang, Yuxin Zhang, Pengting Luo, Fangming Liu, Xueqian Wang

机构 * Center for Artificial Intelligence and Robotics, Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院人工智能与机器人中心） ； Peng Cheng Laboratory（鹏城实验室） ； School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区网络空间安全学院） ； Central Media Technology Institute, Huawei Incorporated Company（华为技术有限公司中央媒体技术研究院） 纠错

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

AI总结 NavCrafter通过合成新颖视角视频序列，实现从单张图像生成灵活的3D场景，采用视频扩散模型和几何感知扩展策略，提升可控多视角合成与3D重建精度。

Comments 8 pages accepted by ICRA 2026

Streaming Real-Time Rendered Scenes as 3D Gaussians

流式实时渲染场景作为3D高斯分布

Matti Siekkinen, Teemu Kämäräinen

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

AI总结 本文提出通过流式传输3D高斯分布场景表示替代传统2D视频流，提升延迟补偿的视角灵活性和多用户场景建模效率。

Scene Grounding In the Wild

野外场景的场景定位

Tamir Cohen, Leo Segre, Shay Shomer-Chai, Shai Avidan, Hadar Averbuch-Elor

机构 * Tel Aviv University（特拉维夫大学） ； Cornell University（康奈尔大学） 纠错

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

AI总结 本文提出一种框架，通过将部分重建与完整的参考模型对齐，提升无视觉重叠时的大尺度场景重建一致性。方法基于伪合成渲染，利用3D高斯点云和逆特征优化，引入WikiEarth数据集验证效果。

Comments CVPR 2026. Project page at https://tau-vailab.github.io/SceneGround/

UNICA: A Unified Neural Framework for Controllable 3D Avatars

UNICA：一种统一的神经框架用于可控的3D人形 avatars

Jiahe Zhu, Xinyao Wang, Yiyu Zhuang, Yanwen Wang, Jing Tian, Yao Yao, Hao Zhu

机构 * Nanjing University（南京大学） ； State Key Laboratory of Novel Software Technology（计算机软件新技术国家重点实验室） 纠错

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

AI总结 UNICA通过动作条件扩散模型和点转换器生成可控的3D人形，实现无需骨骼的统一生成框架，支持自由视角渲染和动态衣物处理。

Comments Opensource code: https://github.com/zjh21/UNICA

Better Rigs, Not Bigger Networks: A Body Model Ablation for Gaussian Avatars

更好的骨架，而非更大的网络：一种用于高斯avator的体模消融

Derek Austin

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

AI总结 本文通过将SMPL替换为MHR，展示了在PeopleSnapshot和ZJU-MoCap数据集上，体模表达能力是avator重建的主要瓶颈，且网格表示能力和姿态估计质量均对整体性能有显著贡献。

Deformation-based In-Context Learning for Point Cloud Understanding

基于变形的点云情境学习

Chengxing Lin, Jinhong Deng, Yinjie Lei, Wen Li

机构 * Shenzhen Institute for Advanced Study, UESTC（电子科技大学深圳高等研究院） ； School of Computer Science and Engineering, UESTC（电子科技大学计算机科学与工程学院） ； Sichuan University（四川大学） 纠错

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

AI总结 本文提出DeformPIC框架，通过任务引导变形查询点云以实现点云情境学习，改进几何推理和一致性目标，实验显示在重建、去噪和配准任务中均优于现有方法。

Comments Accepted by CVPR 2026. Code: https://github.com/linchengxing/DeformPIC

Delaunay Canopy: Building Wireframe Reconstruction from Airborne LiDAR Point Clouds via Delaunay Graph

Delaunay Canopy：通过Delaunay图构建空中LiDAR点云的线框重建

Donghyun Kim, Chanyoung Kim, Youngjoong Kwon, Seong Jae Hwang

机构 * Emory University（埃默里大学） ； Yonsei University（延世大学） 纠错

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

AI总结 本文提出Delaunay Canopy方法，利用Delaunay图作为几何先验，解决空中LiDAR点云中噪声、稀疏性和内部角区域线框重建的难题，实现高精度线框重建。

Minkowski tensors for point clouds and voxelized data: robust, asymptotically unbiased estimators

Minkowski张量用于点云和体素化数据：稳健且渐近无偏的估计器

Daniel Hug, Michael A. Klatt, Dominik Pabst

专题命中 点云 ：point cloud(title,abstract)

AI总结 本文改进了估计Minkowski张量的算法，使其更稳健和高效，并将其理论基础推广到有限的紧集联合体，适用于粗糙表面和复合材料等应用。通过随机多面体测试案例，验证了算法在实际分辨率下的精度，并应用于金属颗粒和纳米粗糙表面的真实数据。

Comments Substantially revised version

An Open-Source LiDAR and Monocular Off-Road Autonomous Navigation Stack

开源的激光雷达与单目越野自主导航栈

Rémi Marsal, Quentin Picard, Adrien Poiré, Sébastien Kerbourc'h, Thibault Toralba, Clément Yver, Alexandre Chapoutot, David Filliat

机构 * U2IS, ENSTA, Institut Polytechnique de Paris（巴黎综合理工学院，ENSTA，U2IS） ； AMIAD, Pôle Recherche（AMIAD，研究部） ； LARIAD, a joint AMIAD-ENSTA laboratory（LARIAD，AMIAD-ENSTA联合实验室） 纠错

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

AI总结 本文提出一个开源的越野导航栈，结合激光雷达和单目3D感知，无需特定任务训练，通过边缘遮蔽和时间平滑提升鲁棒性，实验证明单目深度估计可替代激光雷达。

Persistence of the Wiener Sausage: Sampling Stability and a Law of Large Numbers for Drifted Planar Brownian Motion DRAFT -CURRENTLY UNDER REVIEW

Wiener萨克斯的持久性：采样稳定性及漂移平面布朗运动的大数定律草案 - 当前正在审查中

Tristan Guillaume

专题命中 点云 ：point cloud(abstract)

AI总结 研究漂移平面布朗运动范围生成的偏移过滤的持续同调，提出采样定理和大数定律，揭示拓扑复杂性增长的强度度量。

Efficient3D: A Unified Framework for Adaptive and Debiased Token Reduction in 3D MLLMs

Efficient3D: 一种用于3D多模态大语言模型中自适应和去偏token减少的统一框架

Yuhui Lin, Siyue Yu, Yuxing Yang, Guangliang Cheng, Jimin Xiao

机构 * Xi’an Jiaotong-Liverpool University（西交利物浦大学） ； University of Liverpool（利物浦大学） 纠错

专题命中 空间理解 ：3D vision(abstract)；spatial understanding(abstract)；分类 cs.CV

AI总结 本文提出Efficient3D框架，通过去偏视觉token重要性估计器和自适应token再平衡策略，实现3D MLLMs的高效推理，提升性能并降低计算开销。