3D 视觉

GaMO: Geometry-aware Multi-view Diffusion Outpainting for Sparse-View 3D Reconstruction

GaMO：基于几何的多视角扩散补全用于稀疏视角3D重建

Yi-Chuan Huang, Hao-Jen Chien, Chin-Yang Lin, Ying-Huan Chen, Yu-Lun Liu

机构 * National Yang Ming Chiao Tung University（国立阳明交通大学） 纠错

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

AI总结 本文提出GaMO框架，通过多视角补全实现稀疏视角3D重建，无需训练即可在零样本条件下提升重建性能，实验表明其在稀疏视角下具有高效且准确的重建能力。

Comments Project page: https://yichuanh.github.io/GaMO/

Learning 3D Reconstruction with Priors in Test Time

在测试时利用先验知识学习3D重建

Lei Zhou, Haoyu Wu, Akshat Dave, Dimitris Samaras

机构 * Stony Brook University（石溪大学） 纠错

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

AI总结 本文提出一种在测试时结合先验信息的多视角Transformer框架，通过约束预测优化提升3D任务性能，无需重新训练或修改预训练模型。

Comments Accepted to CVPR2026. Code link: https://github.com/cvlab-stonybrook/TCO

Confidence-Driven Facade Refinement of 3D Building Models Using MLS Point Clouds

基于MLS点云的3D建筑模型置信度驱动 facade 精细处理

Xiaoyu Huang

机构 * Technical University of Munich（慕尼黑工业大学） 纠错

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

AI总结 本文提出一种利用粗略模型作为几何先验的自动细化框架，通过表面匹配和二进制整数优化提升建筑立面精度，实验表明能有效校正立面偏差，减少云到网格RMSE约36%。

Vision-as-Inverse-Graphics Agent via Interleaved Multimodal Reasoning

通过交错多模态推理的视觉-反图形代理

Shaofeng Yin, Jiaxin Ge, Zora Zhiruo Wang, Chenyang Wang, Xiuyu Li, Michael J. Black, Trevor Darrell, Angjoo Kanazawa, Haiwen Feng

机构 * University of California, Berkeley（加州大学伯克利分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Impossible, Inc.（Impossible公司） 纠错

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

AI总结 本文提出VIGA框架，通过符号逻辑与视觉感知的交叉验证，解决视觉语言模型在单次设置中重建图像的挑战，支持2D文档生成、3D重建等任务。

Comments Project page: https://fugtemypt123.github.io/VIGA-website/

Review and Evaluation of Point-Cloud based Leaf Surface Reconstruction Methods for Agricultural Applications

点云基叶面重建方法在农业应用中的综述与评估

Arif Ahmed, Parikshit Maini

机构 * University of Nevada, Reno（内华达大学里诺分校） 纠错

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

AI总结 本文综述并评估了九种叶面重建方法，通过三个公开数据集分析不同方法在精度、平滑度、噪声鲁棒性和计算成本方面的权衡，为农业机器人提供选择指导。

Neural Implicit 3D Cardiac Shape Reconstruction from Sparse CT Angiography Slices Mimicking 2D Transthoracic Echocardiography Views

从稀疏CT血管造影切片重建神经隐式3D心脏形状：模拟2D胸骨超声心动图视图

Gino E. Jansen, Carolina Brás, R. Nils Planken, Mark J. Schuuring, Berto J. Bouma, Ivana Išgum

机构 * Department of Biomedical Engineering & Physics, Amsterdam UMC（阿姆斯特丹大学医学中心生物医学工程与物理系） ； qurAI group, Informatics Institute, University of Amsterdam（阿姆斯特丹大学信息研究所qurAI组） ； Department of Radiology, Mayo Clinic（梅奥诊所放射科） ； Department of Biomedical Signals and Systems, University of Twente（特温特大学生物医学信号与系统系） ； Department of Cardiology, Amsterdam UMC（阿姆斯特丹大学医学中心心脏病科） ； Department of Radiology & Nuclear Medicine, Amsterdam UMC（阿姆斯特丹大学医学中心放射与核医学科） 纠错

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

AI总结 本文提出利用稀疏CT血管造影切片重建3D心脏结构的方法，通过神经隐式函数和多层感知机学习形状先验，实现比临床标准更精确的3D心脏量化。

Journal ref Proc. SPIE 13925 (2026)

3D Magic Mirror: Clothing Reconstruction from a Single Image via a Causal Perspective

3D魔镜：通过因果视角从单张图像进行衣物重建

Zhedong Zheng, Jiayin Zhu, Wei Ji, Yi Yang, Tat-Seng Chua

机构 * Sea-NExT Joint Lab, National University of Singapore（新加坡国立大学Sea-NExT联合实验室） ； Zhejiang University（浙江大学） 纠错

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

AI总结 本文提出一种自监督学习方法，通过因果视角从单张图像重建3D非刚性物体，解决3D标注困难、模板限制和内在模糊性问题，实验表明其在时尚数据集上能实现高质量重建。

Comments Update results. Report person re-id performance. Add details in Appendix

Journal ref npj Artif. Intell. 2, 29 (2026)

Theoretical Foundations of Principal Manifold Estimation with Non-Euclidean Templates

主流 manifold 估计的理论基础与非欧几里得模板

Kun Meng, Christopher Perez

专题命中 三维重建 ：point cloud(abstract)

AI总结 本文提出了一种理论框架，用于从高维空间中的点云中恢复潜在低维流形，支持一般非欧几里得拓扑的流形，并通过Sobolev空间理论证明了方法的正确性与一致性，同时提供了新的复杂度选择方法。

Comments 111 pages

dN/dx Reconstruction with Deep Learning for High-Granularity TPCs

基于深度学习的高粒度TPC中dN/dx重建

Guang Zhao, Yue Chang, Jinxian Zhang, Linghui Wu, Huirong Qi, Xin She, Mingyi Dong, Shengsen Sun, Jianchun Wang, Yifang Wang, Chunxu Yu

专题命中 三维重建 ：point cloud(abstract)

AI总结 本文提出GraphPT模型，利用图神经网络和注意力机制对高粒度TPC数据进行dN/dx重建，提升PID性能，特别是在K/π分离能力上提高10%-20%。

Comments 20 pages, 9 figures

Journal ref https://link.springer.com/article/10.1007/JHEP04(2026)021