3D 视觉

Learning Point Cloud Geometry as a Statistical Manifold: Theory and Practice

学习点云几何作为统计流形：理论与实践

Jinwoo Lee, Jiwoo Kim, Woojae Shin, Giseop Kim, Hyondong Oh

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； Daegu Gyeongbuk Institute of Science and Technology (DGIST)（大邱庆北科学技术院） 纠错

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

AI总结 本文提出Point-to-Ellipsoid方法，通过统计流形建模实现点云几何的自监督学习，提升机器人感知任务的几何推理能力与鲁棒性。

Diffusion Masked Pretraining for Dynamic Point Cloud

动态点云的扩散掩码预训练

Zhuoyue Zhang, Jihua Zhu, Chaowei Fang, Jian Liu, Ajmal Saeed Mian

机构 * Xi’an Jiaotong University（西安交通大学） ； School of Artificial Intelligence and Robotics, Hunan University（湖南大学人工智能与机器人学院） ； University of Western Australia（西澳大学） 纠错

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

AI总结 本文提出DiMP框架，通过引入扩散建模解决动态点云预训练中位置泄露和运动监督问题，提升下游任务性能。

Mantis: Mamba-native Tuning is Efficient for 3D Point Cloud Foundation Models

Mantis：Mamba原生微调在3D点云基础模型中的高效性

Zihao Guo, Jihua Zhu, Jian Liu, Ajmal Saeed Mian

机构 * Xi’an Jiaotong University（西安交通大学） ； School of Artificial Intelligence and Robotics, Hunan University（湖南大学人工智能与机器人学院） ； University of Western Australia（西澳大学） 纠错

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

AI总结 针对Mamba架构基础模型的微调问题，提出Mantis框架，通过引入状态感知适配器和双序列一致性蒸馏，实现高效且稳定的微调，仅需约5%的可训练参数。

Stealthy Patch-Wise Backdoor Attack in 3D Point Cloud via Curvature Awareness

基于曲率感知的3D点云中隐蔽的逐块后门攻击

Yu Feng, Dingxin Zhang, Runkai Zhao, Yong Xia, Heng Huang, Weidong Cai

机构 * The University of Sydney（悉尼大学） ； Northwestern Polytechnical University（西北工业大学） ； University of Maryland College Park（马里兰大学学院公园分校） 纠错

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

AI总结 本文提出一种针对3D点云的隐蔽逐块后门攻击框架SPBA，通过曲率变化计算局部不可察觉得分，减少谱触发计算成本，提升攻击隐蔽性。

Comments 12 pages, 6 figures, 11 tables

FugSeg: Fast Uncertainty-aware Ground Segmentation for 3D Point Cloud

FugSeg：面向3D点云的快速不确定性感知地面分割

Yu Li, Volker Schwieger

机构 * Institute of Engineering Geodesy, University of Stuttgart（斯图加特大学工程大地测量研究所） ； Daimler Truck AG（戴姆勒卡车公司） 纠错

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

AI总结 本文提出FugSeg，一种快速且考虑不确定性的地面分割方法，通过极坐标网格地图表示和自适应坡度策略，有效处理反射噪声和孤立地面问题，在多个数据集上实现最高精度和最快速度。

Comments Accepted for publication in IEEE Transactions on Intelligent Transportation Systems

Journal ref IEEE Transactions on Intelligent Transportation Systems (Early Access), 2026

Simultaneous Monitoring of Shape and Surface Color via 4D Point Clouds: A Registration-free Approach

通过4D点云同时监测形状和表面颜色：一种无需配准的方法

Mariafrancesca Patalano, Giovanna Capizzi, Kamran Paynabar

机构 * Department of Statistical Sciences, University of Padua（帕多瓦大学统计科学系） ； School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院工业与系统工程学院） 纠错

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

AI总结 本文提出一种无需配准的框架，利用4D点云同时监测形状和颜色，通过拉普拉斯-贝特拉米算子的谱特性捕捉几何特征和形状与颜色的关系，有效检测形状变形和颜色异常。

Comments 38 pages, 11 figures

Implicit Neural Compression of Point Clouds

隐式神经网络点云压缩

Hongning Ruan, Yulin Shao, Qianqian Yang, Liang Zhao, Zhaoyang Zhang, Dusit Niyato

机构 * College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院） ； Department of Electrical and Electronic Engineering, The University of Hong Kong（香港大学电子与电气工程系） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） 纠错

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

AI总结 本文提出NeRC³框架，利用隐式神经表示实现点云的高效压缩，通过坐标基神经网络编码几何与属性，并扩展至动态点云压缩，实验验证其在静态和动态点云压缩中的优越性能。

Journal ref IEEE Transactions on Image Processing, vol. 35, pp. 260-275, 2026

Sub-Footprint Effect Correction in FW-LiDAR Point Clouds via Intra-Footprint Target Unmixing

通过内在足迹目标解混实现FW-LiDAR点云中的子足迹效应校正

Zhen Xiao, Yanfeng Gu, Xian Li

机构 * School of Electronics and Information Engineering, Harbin Institute of Technology（哈尔滨工业大学电子与信息工程学院） 纠错

专题命中 点云 ：point cloud(title,abstract)

AI总结 本文提出基于物理的框架，通过显式解混处理FW-LiDAR点云中的子足迹效应，利用时空激光束分布模型和辅助信息解混，提升异质目标语义分离和同质目标强度一致性。

Comments 11 pages,7 figures

A meshfree exterior calculus for generalizable and data-efficient learning of physics from point clouds

一种基于点云的无网格外演算用于通用且数据高效的物理学习

Benjamin D. Shaffer, Brooks Kinch, M. Ani Hsieh, Nathaniel Trask

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Mechanical Engineering and Applied Mechanics（机械工程与应用力学） 纠错

专题命中 点云 ：point cloud(title,abstract)

AI总结 本文提出了一种无网格外演算（MEEC），用于在点云上学习保持结构的物理描述，通过MEEC-Net实现高效数据替代，跨分辨率、几何和物理参数转移。

Comments 25 pages, 13 figures

Low-Cost Stereo Vision for Robust 3D Positioning of Thin Radiata Pine Branches in Autonomous Drone Pruning

低成本立体视觉用于自主无人机修剪中薄辐射松枝的稳健三维定位

Yida Lin, Bing Xue, Mengjie Zhang, Sam Schofield, Richard Green

机构 * Centre of Data Science and Artificial Intelligence & School of Engineering and Computer Science（数据科学与人工智能中心及工程与计算机科学学院） 纠错

专题命中 点云 ：NeRF(abstract,abstract_cn)；分类 cs.CV

AI总结 本文研究利用低成本立体相机实现自主无人机修剪薄枝的三维定位，通过分支分割与深度估计方法，解决森林场景中纹理稀疏、结构细长和噪声干扰等问题。

RigidFormer: Learning Rigid Dynamics using Transformers

RigidFormer：基于变换器学习刚体动力学

Zhiyang Dou, Minghao Guo, Haixu Wu, Doug Roble, Tuur Stuyck, Wojciech Matusik

机构 * MIT（麻省理工学院） ； Meta 纠错

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

AI总结 RigidFormer通过对象中心的变换器模型，高效建模无网格表示的高保真刚体动力学，采用可控积分步长和锚点池化技术，实现对点云等无网格输入的高精度模拟。

Comments Project Page: https://people.csail.mit.edu/frankzydou/projects/RigidFormer/index.html

MTA-RL: Robust Urban Driving via Multi-modal Transformer-based 3D Affordances and Reinforcement Learning

MTA-RL：通过多模态Transformer-based 3D affordances和强化学习实现鲁棒的城市驾驶

Guangli Chen, Dianzhao Li, Wenjian Zhong, Bangquan Xie, Ostap Okhrin

机构 * Dongguan Key Laboratory of Intelligent Equipment and Smart Industry, School of Advanced Engineering, Great Bay University（东莞智能装备与智能制造重点实验室，先进工程学院，大湾大学） ； Chair of Applied Statistics, Technische Universität Dresden（应用统计学教授职位，德累斯顿技术大学） ； Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI)（可扩展数据解析与人工智能中心（ScaDS.AI）） ； College of Automation, Guangdong University of Technology（自动化学院，广东技术大学） 纠错

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

AI总结 本文提出MTA-RL框架，通过多模态Transformer-based 3D affordances和强化学习实现可靠的城市自动驾驶，提升样本效率和稳定性，优于现有基线方法。

Data-Asymmetric Latent Imagination and Reranking for 3D Robotic Imitation Learning

数据不对称潜在想象与重排序在3D机器人模仿学习中的应用

Lianghao Luo, Xizhou Bu, Ruyan Liu, Qingqiu Huang, Chufeng Tang, Xiaoshuai Hao, Hongbo Wang, Wei Li

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

AI总结 本文提出DALI-R框架，通过潜在世界模型和任务完成评分器，利用混合质量轨迹提升3D机器人模仿学习的决策能力，无需额外高质量示范。

Angle-I2P: Angle-Consistent-Aware Hierarchical Attention for Cross-Modality Outlier Rejection

Angle-I2P：基于角度一致性的层次注意力交叉模态异常剔除

Muyao Peng, Shun Zou, Pei An, You Yang, Qiong Liu

机构 * School of Electronic Information and Communications, Huazhong University of Science and Technology（华中科技大学电子信息与通信学院） 纠错

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

AI总结 本文提出Angle-I2P方法，通过角度一致性的几何约束和层次注意力机制提升跨模态异常剔除性能，实验表明在多个数据集上均取得最佳效果。

Comments Accepted by ICRA 2026

R4Det: 4D Radar-Camera Fusion for High-Performance 3D Object Detection

R4Det：用于高性能3D目标检测的4D雷达-摄像头融合

Zhongyu Xia, Yousen Tang, Yongtao Wang, Zhifeng Wang, Weijun Qin

机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王轩计算机技术研究所） ； EBTech Co. Ltd（EBTech公司） 纠错

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

AI总结 R4Det通过全景深度融合模块提升深度估计，设计变形门控时间融合模块以不依赖车辆姿态，结合实例引导动态细化模块，实现更准确的3D目标检测。

Comments Accepted to CVPR 2026

Hyperbolic Distillation: Geometry-Guided Cross-Modal Transfer for Robust 3D Object Detection

双曲蒸馏：几何引导的跨模态迁移用于稳健的3D物体检测

Kanglin Ning, Wenrui Li, Houde Quan, Qifan Li, Xingtao Wang, Xiaopeng Fan

机构 * Faculty of Computing, Harbin Institute of Technology（哈尔滨工业大学计算机学院） ； Suzhou Research Institute of HIT（哈尔滨工业大学苏州研究院） ； PengChengLab（鹏城实验室） 纠错

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

AI总结 本文提出HGC-Det方法，通过双曲约束跨模态蒸馏提升3D物体检测的鲁棒性，结合图像分支和点云分支，利用双曲几何特性缓解语义损失，实验表明在多个数据集上平衡了检测精度与计算成本。

Comments Current version has been subbmitted to IEEE Transactions on Multimedia. Now, this manuscript's status is Under Review

Height-Guided Projection Reparameterization for Camera-LiDAR Occupancy

基于高度引导的投影重参数化方法用于相机-激光雷达点云

Yuan Wu, Zhiqiang Yan, Jiawei Lian, Zhengxue Wang, Jian Yang

机构 * Nanjing University of Science and Technology（南京理工大学） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 本文提出HiPR方法，通过高度引导的投影重参数化提升点云预测精度，改进投影空间采样以适应真实场景的高度变化，增强特征聚合稳定性。

Continuum Robot Modeling with Action Conditioned Flow Matching

连续机器人建模与动作条件流匹配

Jiong Lin, Jinchen Ruan, Hod Lipson

机构 * Department of Mechanical Engineering, Columbia University（哥伦比亚大学机械工程系） 纠错

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

AI总结 本文提出基于动作条件的连续机器人自建模方法，通过轻量3D打印平台和RGB-D数据采集管道，学习点云流匹配模型，实现电机驱动连续机器人（TDCR）在稳态下的几何预测，实验验证了其在CD和EMD指标下的精度提升。

Comments 14 pages, 9 figures

LCGNav: Local Candidate-Aware Geometric Enhancement for General Topological Planning in Vision-Language Navigation

LCGNav: 本地候选感知的几何增强以实现连续环境中的通用拓扑规划

Jiankun Peng, Jianyuan Guo, Yiguang Yang, Yue Liu, Jiashuang Yan, Ying Xu

机构 * The Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing（中国科学院航空航天信息研究所，北京） ； The School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences, Beijing（中国科学院大学电子电气与通信工程学院，北京） ； The Department of Computer Science, City University of Hong Kong, Hong Kong, SAR, China（香港城市大学计算机科学系，香港特别行政区，中国） 纠错

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

AI总结 LCGNav通过本地几何增强框架解决连续环境视觉语言导航中局部深度信息冗余和候选前沿关注不足的问题，提升拓扑规划性能。

Trajectory-Consistent Flow Matching for Robust Visuomotor Policy Learning

轨迹一致的流匹配用于鲁棒的视觉-运动策略学习

Riad Ahmed, Sujosh Nag, Moniruzzaman Akash, Mostafa Hussein, Momotaz Begum

机构 * University of New Hampshire（新罕布什尔大学） 纠错

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

AI总结 本文提出轨迹一致的流匹配方法，通过辅助流速度回归、多步轨迹一致性训练、流场正则化和RK4推理，解决流匹配策略在轨迹预测中的误差问题，并在真实机器人任务中取得显著成功。

RelFlexformer: Efficient Attention 3D-Transformers for Integrable Relative Positional Encodings

RelFlexformer: 高效的注意力3D-Transformer用于可积分的相对位置编码

Byeongchan Kim, Arijit Sehanobish, Avinava Dubey, Min-hwan Oh, Krzysztof Choromanski

机构 * Seoul National University（首尔国立大学） ； Independent（独立） ； Google Research（谷歌研究） ； Google DeepMind（谷歌DeepMind） ； Columbia University（哥伦比亚大学） 纠错

专题命中 点云 ：point cloud(abstract)

AI总结 RelFlexformer引入了基于任意可积分调制函数f的通用3D相对位置编码方法，实现O(L log L)复杂度的高效注意力计算，适用于非结构化异质场景中的点云建模。

The Wittgensteinian Representation Hypothesis: Is Language the Attractor of Multimodal Convergence?

维特根斯坦表示假说：语言是否是多模态收敛的吸引子？

Zhaoyang Zhang, Run Shao, Dongyue Wu, Jiajie Teng, Chao Tao, Jingdong Chen, Haifeng Li

机构 * Central South University（中南大学） ； Huazhong University of Science and Technology（华中科技大学） ； Shanghai Jiao Tong University（上海交通大学） ； Ant Group（蚂蚁集团） 纠错

专题命中 点云 ：point cloud(abstract)

AI总结 研究探讨了为何不同模态的神经网络收敛于共享表示，发现语言模态对其他模态有显著方向性吸引，提出维特根斯坦表示假说。

Comments 22 pages, 11 figures, 6 tables

Constitutive Priors for Inverse Design

本构先验用于逆设计

Jinkyo Han, Bahador Bahmani

专题命中 点云 ：point cloud(abstract)

AI总结 本文提出了一种端到端框架，直接在本构行为空间中进行弹性网络的逆设计。通过潜在表示构建本构先验，定义可接受的材料定律流形并保证热力学一致性。逆问题被建模为具有潜在本构变量的PDE约束优化问题，通过同伦策略提高非凸优化的鲁棒性。

TSNN: A Non-parametric and Interpretable Framework for Traffic Time Series Forecasting

TSNN：一种非参数且可解释的交通时间序列预测框架

Bowen Liu, Haijian Lai, Chan-Tong Lam, Junhao Dong, Benjamin Ng, Wei Ke, Sio-Kei Im

机构 * Faculty of Applied Sciences, Macao Polytechnic University（应用科学学院，澳门理工学院） ； Amazon Web Services, Inc.（亚马逊网络服务公司） ； Macao Polytechnic University（澳门理工学院） 纠错

专题命中 点云 ：point cloud(abstract)

AI总结 TSNN通过解耦时间序列提升预测精度，采用非参数方法保持模型简洁，实验显示其在四个真实交通数据集上表现优异，且能可视化解耦过程和模型可解释性。

Comments Accepted by IEEE Transactions on Knowledge and Data Engineering

Generalized Wasserstein Flow Matching: Transport Plans, Everywhere, All at Once

广义Wasserstein流匹配：运输计划，处处，一次完成

Moritz Piening, Richard Duong, Gabriele Steidl

机构 * Institut für Mathematik, Technische Universität Berlin, Germany（数学研究所，柏林技术大学，德国） 纠错

专题命中 点云 ：point cloud(abstract)

AI总结 本文提出广义Wasserstein流匹配方法，通过耦合外层和内层运输计划扩展流匹配框架，结合切线和线性Wasserstein距离降低计算成本，实现概率测度空间中的生成建模。

Embedding Dimension Lower Bounds for Universality of Deep Sets and Janossy Pooling

深度集合和Janossy池化通用性的嵌入维数下界

Ali Syed, Aditya Nambiar, Jonathan W. Siegel

机构 * Department of Mathematics（数学系） ； Texas A&M University（德克萨斯大学） 纠错

专题命中 点云 ：point cloud(abstract)

AI总结 研究深度集合和Janossy池化架构的通用性，确定嵌入维数下界以保证其通用性，为Deep Sets提供最小维数，对k-ary Janossy池化证明首次非平凡下界。