3D 视觉

Point Cloud Registration via Probabilistic Self-Update Local Correspondence and Line Vector Sets

点云配准 via 概率自更新局部对应与线向量集

Kuo-Liang Chung, Yu-Cheng Lin, Wu-Chi Chen

机构 * Department of Computer Science and Information Engineering, National Taiwan University of Science and Technology（资讯工程系，国立台湾科技大学） 纠错

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

AI总结 本文提出一种快速有效的点云配准算法，结合概率自更新局部对应与线向量集，通过双RANSAC模型提升精度与效率，实现更优的配准性能。

PointTransformerX: Portable and Efficient 3D Point Cloud Processing without Sparse Algorithms

PointTransformerX：无需稀疏算法的便携式和高效3D点云处理

Laurenz Reichardt, Nikolas Ebert, Oliver Wasenmüller

机构 * Mannheim University of Applied Sciences（曼海姆应用科学大学） 纠错

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

AI总结 PointTransformerX采用全PyTorch原生的视觉Transformer架构，无需定制CUDA运算符，通过3D-GS-RoPE实现高效的3D空间关系编码，提升3D点云处理的准确性和效率，同时在ScanNet上达到98.7%的准确率，参数更少，速度更快，内存更小。

Comments This paper has been accepted at IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), 2026

Breaking the Rigid Prior: Towards Articulated 3D Anomaly Detection

打破刚性先验：迈向具有铰链或滑动关节的3D异常检测

Jinye Gan, Bozhong Zheng, Xiaohao Xu, Junye Ren, Zixuan Zhang, Na Ni, Yingna Wu

机构 * ShanghaiTech University（上海科技大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） 纠错

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

AI总结 本文提出ArtiAD基准，通过15229个点云数据和六种结构异常类型，解决铰链或滑动关节物体的3D异常检测问题，引入SPA-SDF方法，通过连续姿态条件隐式场实现刚性先验的替代，提升检测性能。

FILTR: Extracting Topological Features from Pretrained 3D Models

FILTR: 从预训练3D模型中提取拓扑特征

Louis Martinez, Maks Ovsjanikov

机构 * LIX, École Polytechnique, IP Paris（巴黎高等师范学院LIX研究所、IP巴黎） 纠错

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

AI总结 本文提出FILTR框架，通过预训练3D编码器提取点云的拓扑特征，利用transformer解码器生成持续图，首次实现高效的数据驱动持续图提取。

Comments Project page: https://filtr-topology.github.io/

Calibrated Persistent Homology Tests for High-dimensional Collapse Detection

校准的持续同调测试用于高维坍缩检测

Alexander Kalinowski

专题命中 点云 ：point cloud(abstract)

AI总结 研究高维点云中坍缩检测，提出基于持续同调的测试统计量，通过校准非坍缩参考模型来评估不同坍缩机制的效力。

Comments Accepted at CG Week 2026

Antimodes and Graphical Anomaly Exploration via Adaptive Depth Quantile Functions

反模态与通过自适应深度分位函数的图形异常探索

Gabriel Chandler, Wolfgang Polonik

专题命中 点云 ：point cloud(abstract)

AI总结 本文提出了一种新颖的异常检测方法，基于深度分位函数的扩展，在欧几里得和非欧几里得情况下均表现出竞争力，通过可视化分析提升异常检测性能。

Comments 24 pages, 13 figures