3D 视觉

MedPCFM: Improving Medical Point Cloud Completion by Integrating Point Transformers and Flow Matching

MedPCFM: 通过集成点变换器和流匹配改进医学点云补全

Kamil Kwarciak, Marek Wodzinski

机构 * Department of Measurement and Electronics, AGH University of Krakow（AGH科技大学测量与电子系） ； Sano Centre for Computational Medicine（Sano计算医学中心） 纠错

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

AI总结 提出基于PTv3的流匹配方法PCFM用于医学点云补全，在三个数据集上达到最优生成性能，采样步数远少于扩散模型，且PTv3带来高达7倍的速度提升。

Comments 25 pages, 9 figures

Tri-Efficient Transfer Learning for Point Cloud Videos

点云视频的三效迁移学习

Yiding Sun, Dongxu Zhang, Jihua Zhu, Haozhe Cheng, Zhengqiao Li, Pengcheng Li, Chaowei Fang, Yonghao Dong, Lin Chen

机构 * School of Software Engineering, Xi’an Jiaotong University（西安交通大学软件学院） ； School of Information and Communication Engineering, Xi’an Jiaotong University（西安交通大学信息与通信工程学院） ； SIGS, Tsinghua University（清华大学深圳国际研究生院） 纠错

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

AI总结 提出PoinTriE框架，通过伪运动轨迹合成、几何-运动对偶网络和时空侧网络，实现数据、参数和内存三方面高效的点云视频迁移学习，在动作识别和语义分割任务上取得新最优结果。

MM-TRELLIS: Point-Cloud Guided Multi-Modal 3D Vehicle Generation in Autonomous Driving

MM-TRELLIS: 自动驾驶中基于点云引导的多模态3D车辆生成

Hongli Xiao, Youjian Zhang, Yucai Bai, Chaoyue Wang, Yaohui Jin, Xiaoguang Ren, Wenjing Yang, Long Lan

机构 * MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（上海交通大学人工智能研究院教育部人工智能重点实验室） ； Academy of Military Science（军事科学院） ； Bosch innovation software development (Wuxi) Co., Ltd.（博世创新软件开发（无锡）有限公司） ； College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机学院） ； Shopee Pte. Ltd.（Shopee私人有限公司） 纠错

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

AI总结 提出MM-TRELLIS，融合多视图图像与LiDAR点云，通过点云引导和体素过滤策略，实现高质量3D车辆生成，在Waymo数据集上优于现有方法。

Boosting Text-Driven Video Segmentation via Geometry-Aware Distillation

通过几何感知蒸馏提升文本驱动视频分割

Tianyu Zhu, Yingping Liang, Hesong Li, Ying Fu

机构 * Beijing Institute of Technology（北京理工大学） 纠错

专题命中 点云 ：spatial understanding(abstract)；分类 cs.CV

AI总结 提出GeoLaV两阶段框架，通过单目几何预训练和几何感知蒸馏，将3D几何知识从图像迁移到视频，提升文本驱动视频分割的时空一致性和语言定位能力，在多个基准上达到最优。

Comments Accepted by ECCV2026

Zero-Shot Test-Time Canonicalization using Out-of-Distribution Scoring

零样本测试时规范化使用分布外评分

Dominik Lindner, Johann Schmidt, Tom Siegl, Martin Becker, Sebastian Stober

机构 * Artificial Intelligence Lab, Otto-von-Guericke University Magdeburg（马格德堡大学人工智能实验室） ； University of Rostock（罗斯托克大学） ； Becker Lab, University of Marburg（马尔堡大学贝克尔实验室） 纠错

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

AI总结 提出将测试时规范化重新定义为分布外检测问题，系统评估约20种OOD评分和9种搜索算法，发现基于距离的评分配合随机搜索与局部细化效果最佳，并引入门控机制保护分布内精度。

Efficient implementation of graph autoencoders for model-order reduction of systems with sharp gradients

用于具有尖锐梯度的系统模型降阶的图自编码器高效实现

Liam K Magargal, Parisa Khodabakhshi

专题命中 点云 ：point cloud(abstract)

AI总结 提出图自编码器与算子学习结合的GNN-LaSDI框架，用于高维动力系统的非线性降阶，在尖锐梯度区域比POD方法更准确，计算成本介于GD-LSPG和POD-LaSDI之间。

Comments 31 pages, 16 figures