3D 视觉

SuperFlex: Deformable Superquadrics for Point Cloud Decomposition

SuperFlex: 用于点云分解的可变形超二次曲面

Gabriel Tavernini, Elisabetta Fedele, Tiago Novello, Leonidas Guibas, Marc Pollefeys, Francis Engelmann

机构 * ETH Zurich（苏黎世联邦理工学院） ； Stanford University（斯坦福大学） ； IMPA（巴西国家纯数学与应用数学研究所） ； USI Lugano（卢加诺大学） 纠错

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

AI总结 提出SuperFlex框架，通过新损失函数、弯曲和锥形变形提升超二次曲面分解精度，并利用高质量分解训练模型以鲁棒处理部分点云。

Comments Project page: https://superflex3d.github.io

Cross4D-JEPA: Dense Cross-modal Correspondence Distillation for 4D Point Cloud Representation Learning

Cross4D-JEPA: 用于4D点云表示学习的密集跨模态对应蒸馏

Trung Thanh Nguyen, Hai Nguyen-Truong, Tu Vo, Hoang M. Truong, Tuan-Anh Vu

机构 * Nagoya University（名古屋大学） ； Northeastern University（东北大学） ； KC Machine Learning Lab（KC机器学习实验室） ； University of Science, Vietnam National University Ho Chi Minh City（胡志明市越南国立大学理科大学） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

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

AI总结 提出Cross4D-JEPA，通过教师-学生框架将冻结的2D基础模型（如DINOv2或V-JEPA 2）的密集补丁特征蒸馏到4D点编码器，实现每点对应和潜在空间匹配，在四个基准上优于模态内和全局跨模态基线。

3D Point World Models: Point Completion Enables More Accurate Dynamics Learning

3D点云世界模型：点云补全实现更准确的动力学学习

Skand Peri, Hung Nguyen, Chanho Kim, Li Fuxin, Stefan Lee

机构 * Oregon State University（俄勒冈州立大学） 纠错

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

AI总结 提出3D点云世界模型(3DPWM)，通过先补全部分点云再学习动作条件动力学，实现长时程可靠推演和精确成本评估，支持多种机器人操作任务。

Comments 21 Pages

QuadLink: Autoregressive Quad-Dominant Mesh Generation via Point-Relation Learning

QuadLink: 通过点关系学习的自回归四边形主导网格生成

Yiheng Zhang, Zhe Zhu, Tingrui Shen, Zhuojiang Cai, Tianxiao Li, Zixing Zhao, Qiujie Dong, Zhiyang Dou, Jiepeng Wang, Le Wan, Yuwang Wang, Wenping Wang, Yuan Liu, Cheng Lin

机构 * Hong Kong University of Science and Technology（香港科技大学） ； Tencent VISVISE（腾讯VISVISE） ； Peking University（北京大学） ； Technical University of Munich（慕尼黑技术大学） ； Tsinghua University（清华大学） ； The University of Hong Kong（香港大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Texas A&M University（德克萨斯大学） ； Macau University of Science and Technology（澳门科技大学） 纠错

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

AI总结 提出QuadLink框架，通过将点云链接成结构化面片，以自回归方式生成各向异性的四边形主导网格，实现高几何保真度和拓扑质量。

NoPA: Non-Parametric Online 3D Scene Graph Generation

NoPA: 非参数化在线3D场景图生成

Qi Xun Yeo, Seungjun Lee, Yan Li, Gim Hee Lee

机构 * Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系） 纠错

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

AI总结 针对现有3D场景图生成方法无法实时运行的问题，提出NoPA，用非参数化分布表示物体，保留几何细节，并通过基于最大均值差异的合并策略和关系传播，实现实时且准确的在线场景图生成。

Comments This paper has been accepted in ECCV 26

ELMP: Efficient Learning for Motion Planning via Analytical Policy Gradients

ELMP: 通过解析策略梯度实现高效运动规划学习

Yixiao Li, Tifanny Portela, Jordis Herrmann, René Zurbrügg, Marco Hutter

机构 * Robotic Systems Lab, ETH Zürich（苏黎世联邦理工学院机器人系统实验室） ； ABB（ABB公司） ； ANYbotics（ANYbotics公司） 纠错

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

AI总结 提出ELMP框架，利用可微运动学层和自监督微调，通过密集碰撞、目标到达和平滑性目标直接优化策略，避免专家数据收集，实现数据高效的运动规划适应。

Comments 8 pages, 7 figures, 4 tables

Explainability-Aware Frustum Attack: Exposing Structural Vulnerabilities in LiDAR-Based 3D Object Detectors

可解释性感知的视锥攻击：揭示基于LiDAR的3D目标检测器中的结构脆弱性

Chengzeng You, Binbin Xu, Soteris Demetriou

机构 * Imperial College London（帝国理工学院伦敦分校） 纠错

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

AI总结 提出可解释性引导的对抗分析方法，通过SALL方法生成通用显著性图，并设计EFA攻击，仅扰动最关键的视锥区域，在KITTI和nuScenes上使检测召回率下降超15个百分点，同时减少25-50%的扰动视锥数。

Comments European Conference on Computer Vision (ECCV), September 2026

EgoSim: Egocentric World Simulator for Embodied Interaction Generation

EgoSim：用于具身交互生成的视角世界模拟器

Jinkun Hao, Mingda Jia, Ruiyan Wang, Hongrui Zhu, Jiafei Cao, Xihui Liu, Ran Yi, Lizhuang Ma, Jiangmiao Pang, Xudong Xu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； The University of Hong Kong（香港大学） 纠错

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

AI总结 EgoSim通过建模可更新的世界状态，解决现有视角模拟器在3D grounding和动态更新上的不足，生成空间一致的交互视频并支持跨具身迁移。

Comments Project Page: egosimulator.github.io

SegFly: A Dataset and 2D-3D-2D Paradigm for Aerial RGB-Thermal Semantic Segmentation at Scale

SegFly：大规模航空RGB-热红外语义分割的数据集与2D-3D-2D范式

Markus Gross, Sai Bharadhwaj Matha, Rui Song, Viswanathan Muthuveerappan, Conrad Christoph, Julius Huber, Daniel Cremers

机构 * Fraunhofer Institute IVI（弗劳恩霍夫交通与基础设施系统研究所） ； TU Munich（慕尼黑工业大学） ； MCML（慕尼黑机器学习中心） ； UCLA（加州大学洛杉矶分校） ； Uni Cambridge（剑桥大学） 纠错

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

AI总结 针对航空RGB-T数据集规模小、标注成本高和对齐困难的问题，提出几何驱动的2D-3D-2D范式，通过少量RGB标注自动生成密集伪标签并实现跨模态对齐，构建含2万+RGB图像和1.5万+RGB-T对的SegFly基准，实验表明该范式有效提升分割性能。

Journal ref ECCV 2026

LSR-Net: Long-Short-Range Operator Learning for Pattern Dynamics on Manifolds

LSR-Net: 用于流形上模式动力学的长短程算子学习

Qian Serena Hou, Zecheng Gan

专题命中 点云 ：point cloud(abstract)

AI总结 提出LSR-Net框架，通过分解长程（SOE近似傅里叶乘子）和短程算子，结合高斯网格化与FFT，高效学习平面、球面及一般流形上的模式动力学，在多个基准系统上精度和稳定性优于基线模型。

Comments 27 pages, 12 figures