3D 视觉

Deep Neural Watermarking for Robust Copyright Protection in 3D Point Clouds

深度神经水印用于3D点云中鲁棒的版权保护

Khandoker Ashik Uz Zaman, Mohammad Zahangir Alam, Mohammed N. M. Ali, Mahdi H. Miraz

机构 * Brunel University of London（伦敦布鲁内尔大学） ； Wrexham University（雷克瑟姆大学） ； University of South Wales（南威尔士大学） 纠错

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

AI总结 本文提出一种基于深度学习的3D点云鲁棒水印框架，通过奇异值分解嵌入二进制水印，利用PointNet++网络在旋转、缩放等攻击下实现高精度水印提取。

Journal ref Print ISSN: 2516-0281, Online ISSN: 2516-029X, pp. 17-30, Vol. 9, No. 4, 1 October 2025

A Persistent Homology Design Space for 3D Point Cloud Deep Learning

3D点云深度学习中的持久同调设计空间

Prachi Kudeshia, Jiju Poovvancheri, Amr Ghoneim, Dong Chen

机构 * Saint Mary's University, Halifax, Canada（圣玛丽大学（哈利法克斯，加拿大）） ； Nanjing Forestry University, China（南京林业大学） 纠错

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

AI总结 本文提出一个统一的设计空间，将持久同调用于3D点云学习，通过六个注入点将拓扑学作为结构诱导偏差，提升分类和分割的准确性与鲁棒性。

Comments 27 pages, 12 figures, 5 tables

MT-PCR: Hybrid Mamba-Transformer Network with Spatial Serialization for Point Cloud Registration

MT-PCR：基于空间串行化的混合Mamba-Transformer网络用于点云配准

Bingxi Liu, An Liu, Hao Chen, Huaqi Tao, Jinqiang Cui, Yiqun Wang, Hong Zhang

机构 * Southern University of Science and Technology（南方科技大学） ； Chongqing University（重庆大学） ； Pengcheng Laboratory（鹏城实验室） ； University of Cambridge（剑桥大学） 纠错

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

AI总结 本文提出MT-PCR框架，结合Mamba和Transformer模块，通过Z-order曲线串行点云特征以增强空间局部性，提升点云配准的精度与效率。

Comments 12 Pages

Synthesis4AD: Synthetic Anomalies are All You Need for 3D Anomaly Detection

Synthesis4AD：合成异常就是3D异常检测所需

Yihan Sun, Yuqi Cheng, Junjie Zu, Yuxiang Tan, Guoyang Xie, Yucheng Wang, Yunkang Cao, Weiming Shen

机构 * National Center of Technology Innovation for Intelligent Design and Numerical Control, Huazhong University of Science and Technology（华中科技大学国家智能设计与数控技术创新中心） ； School of Artificial Intelligence and Robotics, Hunan University（湖南大学人工智能与机器人学院） ； Department of Intelligent Manufacturing, Contemporary Amperex Technology Ltd.（宁德时代新能源科技股份有限公司智能制造部） ； Institute for Infocomm Research, A*STAR（新加坡科技研究局资讯通信研究院） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院） 纠错

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

AI总结 本文提出Synthesis4AD方法，通过大规模高保真合成异常数据提升3D异常检测性能，利用3D-DefectStudio平台生成精确点云异常掩码，并结合多模态大语言模型实现知识驱动的数据生成，实验表明在多个数据集上达到领先水平。

3D-Fixer: Coarse-to-Fine In-place Completion for 3D Scenes from a Single Image

3D-Fixer：从单张图像生成3D场景的粗到细就地补全

Ze-Xin Yin, Liu Liu, Xinjie Wang, Wei Sui, Zhizhong Su, Jian Yang, Jin Xie

机构 * College of Computer Science, Nankai University（南开大学计算机科学学院） ； School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； Horizon Robotics（地平线机器人） ； D-Robotics 纠错

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

AI总结 本文提出3D-Fixer，通过粗到细的生成方案解决单张图像生成3D场景的布局和3D资产恢复问题，结合双分支条件网络和Occlusion-Robust Feature Alignment策略，提升生成精度和效率，同时引入ARSG-110K数据集提升训练效果。

Comments 17 pages, 10 figures, CVPR 2026, project page: https://zx-yin.github.io/3dfixer

Primitive-based Truncated Diffusion for Efficient Trajectory Generation of Differential Drive Mobile Manipulators

基于原始的截断扩散用于差分驱动移动机械臂高效轨迹生成

Long Xu, Choilam Wong, Yuhang Zhong, Junxiao Lin, Jialiang Hou, Fei Gao

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

AI总结 本文提出一种学习增强的运动规划器，通过关键点序列提取模块和基于原始的截断扩散模型提升轨迹生成效率与多样性。

Comments 9 pages, 6 figures

A Multi-View 3D Telepresence System for XR Robot Teleoperation

面向XR机器人远程操控的多视角3D临场系统

Enes Ulas Dincer, Manuel Zaremski, Alexandra Nick, Elias Wucher, Barbara Deml, Gerhard Neumann

机构 * Institute for Anthropomatics and Robotics, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院人类学与机器人研究所） ； Institute of Human and Industrial Engineering, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院人因与工业工程研究所） 纠错

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

AI总结 本文提出一种多视角VR临场系统，通过融合三视角几何数据生成GPU加速点云渲染，并结合腕部RGB流提供高分辨率局部细节，实验证明其在远程操控任务中表现优异。

Bridging the Dimensionality Gap: A Taxonomy and Survey of 2D Vision Model Adaptation for 3D Analysis

弥合维度差距：2D视觉模型适应3D分析的分类与综述

Akshat Pandya, Bhavuk Jain

机构 * Independent Researcher（独立研究员） 纠错

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

AI总结 本文综述了将2D视觉模型适应3D分析的策略，分类为数据导向、架构导向和混合方法，探讨了计算复杂度、预训练依赖性和几何归纳偏置的权衡。

Comments VISAPP 2026

Journal ref Proceedings of the 21st International Conference on Computer Vision Theory and Applications - Volume 3: VISAPP 2026; ISBN 978-989-758-804-4; ISSN 2184-4321, SciTePress, pages 353-364

Expanding mmWave Datasets for Human Pose Estimation with Unlabeled Data and LiDAR Datasets

通过未标记数据和LiDAR数据扩展毫米波数据集用于人体姿态估计

Zhuoxuan Peng, Boan Zhu, Xingjian Zhang, Wenying Li, S. -H. Gary Chan

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

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

AI总结 本文提出EMDUL方法，利用未标记毫米波数据和LiDAR数据扩展现有数据集，提升人体姿态估计模型的性能和泛化能力，减少15.1%和18.9%的误差。

Comments Accepted by CVPR2026

Activity Recognition Using mm-Wave Radar and Deep Learning: Prayer Tracker Case Study

利用毫米波雷达和深度学习进行活动识别：祈祷跟踪案例研究

Karim Saifullin, Sajid Ahmed, Mohamed-Slim Alouini

专题命中 点云 ：point cloud(abstract)

AI总结 本文提出基于毫米波雷达的隐私保护活动识别框架，通过点云信息与深度学习结合，实现高精度的祈祷跟踪与定位，验证了ResNet在未知数据上的95.4%准确率。

Bures--Kuratowski metrics and simplicial complexes for completely bounded maps

Bures-Kuratowski度量与完全有界映射的单纯复形

Remus Floricel, Sarah Plosker, Avner Sadikov

专题命中 点云 ：point cloud(abstract)

AI总结 研究Bures-Kuratowski度量在完全有界映射上的应用，结合Kuratowski嵌入与正则表示Hausdorff坐标，提出度量的l^p楔分解方法，并探讨其在单纯复形中的几何计算与同调特征。

Comments 4 figures

The strength of a geometric simplex

几何单纯形的强度

Olga Anosova, Vitaliy Kurlin

专题命中 点云 ：point cloud(abstract)

AI总结 研究几何单纯形的强度，提出基于Lipschitz连续函数的分类方法，证明其在扰动下的连续性并给出Lipschitz常数的显式界。

Comments 11 pages, 2 figures. The second version extended Theorem 2.4(b) to the signed strength and streamlined the proofs. The latest version is maintained at https://kurlin.org/projects/cloud-isometry-spaces/strength-simplex.pdf

Complete invariants of atomic clouds under rigid motion with Lipschitz continuous metrics in a polynomial time

原子云在具有Lipschitz连续度量的刚体运动下的完整不变量

Vitaliy Kurlin

专题命中 点云 ：point cloud(abstract)

AI总结 本文研究了在具有Lipschitz连续度量的刚体运动下，原子云的完整不变量问题，提出了一种能够在多项式时间内计算的度量方法，以区分所有镜像。

Comments The second 47-page version updated notations and substantially clarified the first 15-page version. The proofs about the strength of a geometric simplex have moved to another paper at arXiv:2602.17630. The latest version is maintained at http://kurlin.org/projects/cloud-isometry-spaces/SCD.pdf