3D 视觉

NeuMesh++: Towards Versatile and Efficient Volumetric Editing with Disentangled Neural Mesh-based Implicit Field

NeuMesh++：基于解耦神经网格隐式场的多功能高效体积编辑

Chong Bao, Yuan Li, Bangbang Yang, Yujun Shen, Hujun Bao, Zhaopeng Cui, Yinda Zhang, Guofeng Zhang

机构 * State Key Lab of CAD&CG, College of Computer Science, Zhejiang University（浙江大学计算机科学学院CAD&CG国家重点实验室） ； Ant Research（蚂蚁研究院） ； Google（谷歌） ； ByteDance（字节跳动） 纠错

专题命中 三维重建 ：novel view synthesis(abstract)；分类 cs.CV

AI总结 提出一种基于网格顶点的解耦神经辐射场表示，实现几何、纹理和语义引导的高效体积编辑，包括网格引导几何编辑、纹理交换填充绘制及语义编辑。

Comments TPAMI 2025; Project Page: https://zju3dv.github.io/neumeshplusplus/

SuperCarver: Texture-Consistent 3D Geometry Super-Resolution for High-Fidelity Surface Detail Generation

SuperCarver: 纹理一致的3D几何超分辨率用于高保真表面细节生成

Qijian Zhang, Xiaozheng Jian, Xuan Zhang, Wenping Wang, Junhui Hou

机构 * Tencent Games, China（腾讯游戏，中国） ； Department of Computer Science & Engineering, Texas A & M University（电子与计算机工程系，德克萨斯A&M大学） ； Department of Computer Science, City University of Hong Kong（计算机科学系，香港城市大学） 纠错

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

AI总结 提出SuperCarver，一种3D几何超分辨率管线，通过先验引导的法线扩散模型和噪声鲁棒的逆渲染，为粗糙网格补充纹理一致的表面细节，实现高保真细节生成。

Comments Accepted in IEEE TVCG

EDoF-NeRF: extended depth-of-field neural radiance fields using a coded aperture camera

EDoF-NeRF: 使用编码孔径相机扩展景深的神经辐射场

Yoshiyuki Shirasaki, Ryoichi Horisaki

机构 * Department of Information Physics and Computing, Graduate School of Information Science and Technology, The University of Tokyo（信息物理与计算系，信息科学与技术研究生学校，东京大学） 纠错

专题命中 NeRF ：NeRF(title,title_cn)；分类 cs.CV

AI总结 提出一种通过编码孔径相机扩展景深的方法，构建高保真神经辐射场，实现从不同视角图像渲染新视图，并验证其优于传统孔径相机。

Splaxel: Efficient Distributed Training of 3D Gaussian Splatting for Large-scale Scene Reconstruction via Pixel-level Communication

Splaxel：通过像素级通信实现大规模场景重建的高效分布式3D高斯泼溅训练

Wenqi Jia, Zhewen Hu, Ying Huang, Yu Gong, Stavros Kalafatis, Yuke Wang, Wei Niu, Chengming Zhang, Ang Li, Sheng Di, Yuede Ji, Bo Fang, Miao Yin

机构 * Independent Researcher（独立研究者） ； Rice University（里士满大学） ； University of Georgia（佐治亚大学） ； University of Houston（休斯顿大学） ； University of Washington（华盛顿大学） ； Argonne National Labs（阿贡国家实验室） 纠错

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

AI总结 提出Splaxel框架，通过像素级局部渲染与全局组合替代高斯同步，在保持数学一致性的同时稳定通信开销，结合可见性预测和冲突消除策略，实现大规模3DGS分布式训练加速7.6倍。

Comments 17 pages, 25 figures

FlowObject: Flow Steering for Bridging Generative Priors and Reconstruction Fidelity

FlowObject: 流引导以桥接生成先验与重建保真度

Yuchen Rao, Xuqian Ren, Yinyu Nie, Sayan Deb Sarkar, Biao Zhang, Vincent Lepetit, Friedrich Fraundorfer

机构 * Graz University of Technology Austria（奥地利格拉茨理工大学） ； Tampere University Finland（芬兰塔尔库大学） ； Technical University of Munich Germany（德国慕尼黑技术大学） ； Stanford University The United States of America（美国斯坦福大学） ； Xi’an Jiaotong University China（中国西安交通大学） ； École des Ponts ParisTech France（法国巴黎综合理工学院） 纠错

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

AI总结 提出FlowObject框架，通过双空间引导策略驱动流匹配模型的ODE轨迹，在利用生成先验完成未观测区域的同时保持与真实观测的一致性，并集成3DGS细化阶段弥合生成输出与真实感重建的差距，显著提升几何完整性和视角相关外观保真度。

Comments Project page: https://yuchenrao.github.io/projects/flowObject/flowObject.html

Hand-4DGS: Feed-Forward 3D Gaussian Splatting for 4D Hand Reconstruction from Egocentric Videos

Hand-4DGS: 用于从第一人称视频进行4D手部重建的前馈3D高斯泼溅方法

Jeongmin Bae, Seoha Kim, Marc Pollefeys, Mahdi Rad, Youngjung Uh, Taein Kwon

机构 * Yonsei University（延世大学） ； Electronics and Telecommunications Research Institute（电子电信研究院） ； ETH Zurich（苏黎世联邦理工学院） ； Microsoft Spatial AI Lab（微软空间AI实验室） ； VGG, University of Oxford（VGG，牛津大学） 纠错

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

AI总结 提出Hand-4DGS，首个前馈框架，从第一人称视频直接重建动态4D手部，利用网格引导表示和时间卷积，实现快速推理和强泛化，无需3D真值标注。

Comments Project page: https://jeongminb.github.io/hand-4dgs/

Intrinsic 4D Gaussian Segmentation from Scene Cues

内在4D高斯分割：基于场景线索

Hasan Yazar, Mohamed Rayan Barhdadi, Erchin Serpedin, Mehmet Tuncel, Hasan Kurban

机构 * Istanbul Technical University（伊斯坦布尔理工大学） ； Texas A&M University（德克萨斯农工大学） ； Hamad Bin Khalifa University（哈马德·本·哈利法大学） 纠错

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

AI总结 提出Intrinsic-GS方法，无需训练和掩码，通过构建高斯原语的亲和图并利用社区检测实现4D场景分割，在Neu3D和HyperNeRF上达到与掩码监督方法相当的精度，且速度提升12.5倍。

Comments 15 pages, 4 figures, 7 tables. Includes supplementary material. Preprint

A Survey on Deep Learning Architectures for Point Cloud Classification and Segmentation

针对点云分类和分割的深度学习架构系统性调研

Minhas Kamal, Hiranya Garbha Kumar, Balakrishnan Prabhakaran

机构 * State University of New York at Albany（纽约州立大学阿尔巴尼分校） 纠错

专题命中 点云 ：point cloud(title,abstract)；3D vision(abstract)；分类 cs.CV

AI总结 本文系统性地探讨了点云分类和分割中的深度学习架构，分析了点云数据的结构特性，分类了不同架构的工作，并评估了其在主流基准上的性能，同时指出了开放挑战和未来方向。

Comments We reviewed a decade of advancements in point cloud processing: trace the evolution of the field from its foundational roots to the modern SOTA, analyze how diverse architectures overcome the inherent geometric challenges of 3D data, and map out critical research gaps alongside promising future directions. GitHub: https://github.com/MinhasKamal/DeepLearningForPointCloud

Journal ref ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM), 2026

Domain Generalizable Adaptation of 3D Vision-Language Models via Regularized Fine-Tuning

通过正则化微调实现可域泛化的3D视觉-语言模型适应

Sneha Paul, Zachary Patterson, Nizar Bouguila

机构 * Concordia University（康考迪亚大学） 纠错

专题命中 点云 ：3D vision(title,abstract)；point cloud(abstract)；分类 cs.CV

AI总结 提出ReFine3D框架，通过选择性层调优、多视图一致性、同义词提示及点渲染视觉监督等正则化策略，提升3D大语言模型在域泛化中的性能。

Comments Accepted at Transactions on Machine Learning Research (TMLR)

Learned Radius Estimation for UDF-Based Point Cloud Reconstruction

基于UDF的点云重建中的学习半径估计

Eito Ogawa, Hiroshi Watanabe

机构 * Graduate School of FSE Waseda University Tokyo, Japan（Waseda大学研究生院FSE学院东京日本） 纠错

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

AI总结 提出一种学习型逐查询半径选择器，预测连续支撑半径并插入冻结的LoSF-UDF骨干网络，通过抛物线插值获取离网目标半径进行训练，提高点云表面重建的细粒度精度。

Objective Quality Assessment of Point Clouds Using Multi-scale Implicit Structural Similarity

点云的多尺度隐式结构相似性客观质量评估

Zhang Chen, Shuai Wan, Yuezhe Zhang, Siyu Ren, Fuzheng Yang, Junhui Hou

机构 * School of Electronics and Information, Northwestern Polytechnical University（电子与信息学院，西北工业大学） ； Department of Computer Science, City University of Hong Kong（计算机科学系，香港城市大学） ； School of Telecommunication Engineering, Xidian University（电信工程学院，西安电子科技大学） 纠错

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

AI总结 针对点云质量评估中不规则数据匹配困难的问题，提出多尺度隐式结构相似性度量（MS-ISSM），通过径向基函数连续表示局部特征并比较隐式函数系数，结合ResGrouped-MLP网络，在多个基准上超越现有方法。

Comments IEEE TMM Accepted

Aerial-ground LiDAR place recognition with patch-level self-supervised learning and expanded reciprocal re-ranking

空地激光雷达地点识别：基于块级自监督学习和扩展互逆重排序

Yandi Yang, Xianghong Zou, Jianping Li, Haofeng Xie, Saurav Uprety, Hongzhou Yang, Naser El-Sheimy

机构 * University of Calgary（卡尔加里大学） ； Nanchang University（南昌大学） ； Nanyang Technological University（南洋理工大学） ； Wuhan University（武汉大学） 纠错

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

AI总结 提出一种空地激光雷达地点识别框架，通过多尺度块级自监督学习缩小域差距，并利用扩展互逆重排序算法减少误检，在多个数据集上显著提升检索精度。

Viking Hill Dataset: A Lidar-Radar-Camera Dataset for Detection and Segmentation in Forest Scenes

Viking Hill数据集：用于森林场景检测与分割的激光雷达-雷达-相机数据集

Vladimír Kubelka, Oleksandr Kotlyar, Unal Artan, Martin Magnusson

机构 * Örebro University（奥雷布罗大学） ； AASS research centre（AASS研究中心） ； Robot Navigation and Perception Lab（机器人导航与感知实验室） 纠错

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

AI总结 提出首个包含4D成像雷达的森林多传感器数据集，通过MinkowskiUNet实现雷达与激光雷达点云的语义分割，并评估树干分割质量与树木尺寸的关系。

Comments 33 pages, 11 figures

SP-TransientBench: A Real-Captured Single Photon Perception Benchmark

SP-TransientBench: 一个真实捕获的单光子感知基准

Hongzhou Dong, Zili Zhang, Ziting Wen, Yiheng Qiang, Runrong Deng, Wenle Dong, Ziwen Jiang, Xinyang Li, Rui Lu, Shuoyao Sun, Wenyu Wang, Ziyi Xia, Haitao Zheng, Guodong Shi, Xiaoqiang Ren

机构 * Shanghai University（上海大学） ； Southern University of Science and Technology（南方科技大学） ； The University of Sydney（悉尼大学） 纠错

专题命中 点云 ：3D vision(abstract)；分类 cs.CV

AI总结 针对单光子LiDAR在真实场景中因噪声和多回波瞬态现象导致的感知挑战，提出包含10个场景、10297个视角的真实捕获多任务基准STB，支持深度估计、多视图重建和3D语义理解评估。

C-ARC: Continuous-Adaptive Range Clustering for Non-Repetitive LiDAR Sensors

C-ARC: 面向非重复式LiDAR传感器的连续自适应范围聚类

Nick B. Schroeder, Jonathan Lichtenfeld, Oskar von Stryk

机构 * Technical University of Darmstadt（德累斯顿技术大学） ； Simulation, Systems Optimization and Robotics Group（仿真、系统优化与机器人组） 纠错

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

AI总结 提出C-ARC框架，通过滑动窗口上的持久双图结构解耦高频点插入与按需聚类检索，并利用指数控制环自适应校准网格分辨率，实现非重复式LiDAR点云的实时聚类。

Comments Submitted to IEEE Robotics and Automation Letters. This work has been submitted to the IEEE for possible publication. 8 pages, 7 figures

SegmentAnyTreeV2: Scaling Transformer-Based Tree Instance Segmentation Across Sensors, Platforms, and Forests

SegmentAnyTreeV2：跨传感器、平台和森林的基于Transformer的树木实例分割扩展

Maciej Wielgosz, Stefano Puliti, Rasmus Astrup

机构 * Norwegian Institute of Bioeconomy Research (NIBIO)（挪威生物经济研究所（NIBIO）） 纠错

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

AI总结 提出SegmentAnyTreeV2，一种传感器和平台无关的森林点云语义与实例分割框架，结合Point Transformer v3骨干网络、轻量语义头和树木交叉注意力掩码解码器，在FOR-instance v3基准上达到90.5%精度和80.2%召回率，并展现出强跨域泛化能力。

Comments 25 pages, 6 figures, 10 tables, Corrected bibliography metadata and minor typographical issues; results unchanged

HACMatch Semi-Supervised Rotation Regression with Hardness-Aware Curriculum Pseudo Labeling

HACMatch: 基于难度感知课程伪标签的半监督旋转回归

Mei Li, Huayi Zhou, Suizhi Huang, Yuxiang Lu, Yue Ding, Hongtao Lu

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 提出一种难度感知课程学习框架，通过动态选择伪标签样本和结构化数据增强，在少量标注数据下提升半监督旋转回归性能。

Comments This is an accepted manuscript of an article published in Computer Vision and Image Understanding

Journal ref Computer Vision and Image Understanding (2026)

JWST-TST High Contrast: First Direct Spectroscopy of GJ 504 b reveals Clouds and Possible Metal Enrichment

JWST-TST 高对比度：GJ 504 b 的首次直接光谱揭示云和可能的金属富集

Aneesh Baburaj, Jean-Baptiste Ruffio, Marshall Perrin, Jerry W. Xuan, William O. Balmer, Yayaati Chachan, Quinn M. Konopacky, Travis S. Barman, Mathilde Mâlin, Kielan K. W. Hoch, Emily Rickman, Kimberly Ward-Duong, Laurent Pueyo, Julien H. Girard, Isabel Rebollido, Alexis Bidot, Christine Chen, Kadin Worthen, Cicero Lu, Jens Kammerer, Roeland P. van der Marel, Nikole K. Lewis, Jeff Valenti, Sara Seager, Chris Stark, Rémi Soummer, Jay Anderson, Charles-Philippe Lajoie, Mark Clampin, C. Matt Mountain

专题命中 点云 ：point cloud(abstract)

AI总结 利用 JWST/NIRSpec 对直接成像行星质量伴星 GJ 504 b 进行中分辨率光谱观测，通过先进后处理技术检测到强信号，提取 2.9-5.3 μm 光谱并建模，发现多种分子、非平衡化学和盐云，推断质量约 25.2 M_Jup，金属丰度高于主星，支持行星形成机制。

Comments 35 pages, 20 figures, 6 tables

Journal ref AJ 172 28 (2026)