视觉与机器人
三维重建、NeRF、Gaussian Splatting、点云和空间智能。
几何基础模型蒸馏用于高效月球三维重建
机构 * IRIT, University of Toulouse（图卢兹大学IRIT研究所） ； Airbus Defence and Space（空中客车防务与航天公司）
专题命中 三维重建 ：3D reconstruction(title,abstract)；分类 cs.CV
AI总结 针对硬件受限场景，通过知识蒸馏将MASt3R模型压缩7倍，保留大部分重建精度，提出SVD初始化方法提升训练稳定性，并揭示编码器类型、蒸馏策略等关键因素。
Comments Accepted to ECCV 2026, code can be accessed via https://clementinegrethen.github.io/publications/ECCV.html
3D植物表型分析的转折点：3D基础模型实现分钟到秒级的跨作物重建及更多
机构 * Northwest A&F University（西北农林科技大学） ； Huazhong University of Science and Technology（华中科技大学） ； Wuhan Institute of Technology（武汉工程大学）
专题命中 三维重建 ：Gaussian Splatting(abstract)；3D reconstruction(abstract)；分类 cs.CV
AI总结 提出基于3D基础模型的跨作物表型分析框架，用前馈几何恢复替代COLMAP，结合3D高斯泼溅实现少视图重建，将重建时间从6.52分钟降至1.58秒，保持高质量与高精度。
Comments 39 pages, 6 figures, 3 tables
PointDiT: 用于单目几何估计的像素空间扩散
专题命中 三维重建 ：3D reconstruction(abstract)；分类 cs.CV
AI总结 提出基于纯ViT的像素空间扩散Transformer，直接在原始3D点图块上操作，无需复杂架构和潜在空间压缩，在单目几何估计中超越潜在扩散模型。
Comments ICML 2026. Project page: https://haofeixu.github.io/pointdit/
SE(2)导航网格
机构 * Robotic Systems Lab, ETH Zurich（苏黎世联邦理工学院机器人系统实验室）
专题命中 三维重建 ：point cloud(abstract)；分类 cs.RO
AI总结 提出SE(2)导航网格，通过编码偏航依赖的可通行性，支持非圆形机器人在复杂多层环境中的高效路径规划，并开发了A*-拉绳-A*分层路径搜索策略。
Comments Project page: https://se2-navmesh.github.io/
基于仿真的多智能体在轨检测奖励函数验证
机构 * Department of Aerospace, Physics and Space Sciences（航空航天、物理与空间科学系）
专题命中 三维重建 ：3D reconstruction(abstract)；分类 cs.RO
AI总结 提出一种基于多智能体强化学习的广义奖励函数，通过分析在轨物体三维重建来优化检测任务，使智能体自主控制图像采集时机。
Comments 13 pages, 6 figures. This submission integrates a published correction made to the original manuscript. The DOIs for both the original manuscript as well as the correction are provided
Journal ref AIAA SCITECH 2026 Forum, AIAA Paper 2026-2042, 2026; Correction: AIAA SCITECH 2026 Forum, AIAA Paper 2026-2042.c1, 2026
DarkVGGT: 利用热几何在黑暗中透视，无需日光代价
机构 * University of Minnesota（明尼苏达大学） ； Texas A&M University（德克萨斯农工大学） ； Stanford University（斯坦福大学）
专题命中 三维重建 ：3D reconstruction(abstract)；分类 cs.CV
AI总结 提出DarkVGGT，一种RGB-T前馈几何框架，通过物理感知热建模实现低光照场景下的鲁棒3D估计，引入热分解和几何共享路由模块，在退化RGB条件下保持精度。
Comments Project Page: https://darkvggt.github.io
注意差距：标准 3DGS 评估主要衡量近轨迹插值
机构 * Advanced Micro Devices, Inc.（超威半导体公司）
专题命中 Gaussian Splatting ：3DGS(title,title_cn)；NeRF(abstract,abstract_cn)；Gaussian Splatting(abstract)；分类 cs.CV
AI总结 标准 3DGS 评估采用隔帧留出法，实际衡量近轨迹插值而非空间泛化。本文提出匹配计数协议，发现插值与外推之间存在 3~12dB 的稳定差距，该差距跨表示族存在，主要由几何代理分量主导，并建议采用空间留出基准。
X-Splat：基于高斯泼溅的从单张全景X光片生成3D CBCT
机构 * Sano Centre for Computational Medicine（桑诺计算医学中心） ； Jagiellonian University（雅盖隆大学） ； Warsaw University of Technology（华沙技术大学） ； Research Institute IDEAS（IDEAS研究 institute） ； Harvard Medical School（哈佛医学院）
专题命中 Gaussian Splatting ：NeRF(summary_cn,abstract)；Gaussian Splatting(title,abstract)；分类 cs.CV
AI总结 提出X-Splat，首个利用高斯泼溅从单张全景X光片生成CBCT样3D牙科体积的方法，通过已知采集几何初始化可学习高斯原语，结合Beer-Lambert重投影和多视角训练监督，优于NeRF和GAN基线。
Comments 19 pages, 6 figures, including appendix. Under review
基于多线索掩码精炼的三维高斯泼溅中一致场景理解
机构 * Department of Computer Science, Hanyang University（汉阳大学计算机科学系）
专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；3DGS(abstract,abstract_cn)；分类 cs.CV
AI总结 提出一种多线索掩码精炼框架，通过融合语义、几何和结构先验，实现跨视图一致的2D实例掩码，从而优化3D高斯泼溅特征场，提升3D实例分割和下游编辑任务的稳定性与一致性。
Comments Accepted at ICPR 2026
GADA: 基于图像的高斯泼溅的几何感知可变形聚合
机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； Chung-Ang University（中央大学）
专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；分类 cs.CV
AI总结 提出几何感知可变形聚合（GADA），通过可变形偏移迭代校正空间错位，并引入隐式置信加权机制抑制不可靠证据，在保持高频细节的同时实现2.13倍FPS提升。
Comments ICML 2026
通过发射虚拟无人机在线分割3D高斯体
机构 * Guangdong Provincial Key Laboratory of Ultra High Definition Immersive Media Technology, Shenzhen Graduate School, Peking University（广东省超高清沉浸式媒体技术重点实验室，北京大学深圳研究生院） ； Pengcheng Laboratory（鹏城实验室） ； Peking University（北京大学）
专题命中 Gaussian Splatting ：3DGS(abstract,abstract_cn)；Gaussian Splatting(abstract)；分类 cs.CV
AI总结 提出SAGO框架，通过虚拟无人机将3D分割转化为在线最佳视角规划任务，无需预设置即可在亚秒内从3D高斯体中提取干净3D资产。
联邦学习与知识蒸馏在点云分类中的基准测试
机构 * University of Macau（澳门大学）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.GR
AI总结 针对隐私敏感和资源受限场景，联合评估联邦学习与知识蒸馏在3D点云分类中的性能，发现极端非独立同分布标签偏移下联邦学习性能下降，蒸馏可压缩模型且避免标签泄露问题。
Comments We are pleased to announce that this paper has been accepted by the 19th European Conference on Computer Vision (ECCV 2026). We appreciate the valuable feedback from the reviewers and look forward to sharing our findings with the community
使用强子环境作为点云的重味电子分类
专题命中 点云 ：point cloud(title,abstract)
AI总结 将强子环境表示为点云，利用集合机器学习架构区分粲和底起源电子，发现性能受限于强子结构内在相似性，在40%效率下纯度约80%，优于传统BDT基线。
Comments 8 pages, 10 figures
自动驾驶中基于LiDAR的3D物体检测的全面鲁棒性分析
机构 * Institute for TMDT, University of Wuppertal, Germany（TMDT研究所，乌尔姆大学，德国） ； IKB Faculty of Science, University of British Columbia, Canada（科学学院，不列颠哥伦比亚大学，加拿大）
专题命中 点云 ：point cloud(abstract)；分类 cs.CV
AI总结 针对LiDAR-only 3D物体检测模型对抗鲁棒性研究不足的问题，提出一个综合评估框架，通过结构因子（点云密度、定位）和预测因子（误分类、定位误差、自车距离）分析，发现高容量体素检测器比支柱检测器更易受结构化坐标扰动，非锚点检测器鲁棒性差。
Comments Accepted at ECCV 2026 main
UnderOneFacade：全球立面语义分割基准数据集
机构 * Technical University of Munich（慕尼黑工业大学） ； University of Cambridge（剑桥大学） ； University of Nottingham（诺丁汉大学） ； National University of Singapore（新加坡国立大学）
专题命中 点云 ：point cloud(abstract)；分类 cs.CV
AI总结 针对现有立面解析数据集地理范围窄、语义不一致的问题，提出全球最大跨国家、跨洲的3D立面基准UnderOneFacade，包含27亿标注点，评估多种模型并揭示其跨域性能下降，为鲁棒可迁移的3D分割模型提供基准。
Comments accepted by ECCV 2026
C2E: 通过多教师对比知识蒸馏提升仅自我3D目标检测
机构 * Fujian Key Laboratory of Urban Intelligent Sensing and Computing, Xiamen University（福建省城市智能感知与计算重点实验室，厦门大学） ； Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（多媒体可信感知与高效计算教育部重点实验室，厦门大学） ； Zhongguancun Academy（中关村学院）
专题命中 点云 ：point cloud(abstract)；分类 cs.CV
AI总结 提出C2E范式，通过多对一智能体对比知识蒸馏框架M2S，结合多级特征增强、辅助点云重建和多教师对比蒸馏，在无通信成本下提升仅自我3D检测性能，在多个数据集上验证有效性。
Comments 18 pages, 8figures
Journal ref ECCV 2026
DriveWeaver: 基于点云条件的视频修复用于自动驾驶仿真中的可控车辆插入
机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 点云 ：point cloud(abstract)；分类 cs.CV
AI总结 提出DriveWeaver框架，通过点云条件视频修复实现自动驾驶仿真中可控车辆插入，解决光照不一致和3D资产依赖问题，支持大规模场景增强。
Comments Accepted at ECCV 2026, Project Page: https://github.com/LogosRoboticsGroup/DriveWeaver
学习光谱和偏振线索用于一对多模态新视角合成
机构 * MEDIA Lab（媒体实验室） ； University of Padova（帕多瓦大学） ； Sony EUISPC（索尼欧洲影像处理中心） ； Sony Semiconductor Solutions Europe（索尼半导体解决方案欧洲分公司）
专题命中 新视角合成 ：novel view synthesis(title)；分类 cs.CV
AI总结 提出SPoILeR方法，通过多模态预训练学习模态间相关性，在仅RGB监督下实现未见场景的多模态新视角渲染。
Comments Accepted at ECCV 2026. Project page: https://medialab.dei.unipd.it/paper_data/SPoILeR/
InvSplat: 逆前馈场景高斯泼溅
专题命中 新视角合成 ：3D reconstruction(abstract)；novel view synthesis(abstract)；分类 cs.CV
AI总结 提出一种前馈多视图重建框架，直接预测具有材质属性的结构化3D高斯表示，实现几何与反射率的联合估计，支持重光照和新视角合成。
NeoMap: 无需训练的单图像和视频新视角合成
机构 * Shenzhen Research Institute, The Hong Kong Polytechnic University（香港理工大学深圳研究院） ； vLAR Group, The Hong Kong Polytechnic University（香港理工大学vLAR实验室）
专题命中 新视角合成 ：novel view synthesis(abstract)；分类 cs.CV、cs.GR、cs.RO
AI总结 提出NeoMap，一种无需训练的框架，通过收敛流形交替投影迭代优化初始噪声，从预训练视频模型中定位高保真、视角一致的新视角解，在多个基准上达到最优。
Comments ECCV 2026. Jinxi and Tianyi are co-first authors. Code and data are available at: https://github.com/vLAR-group/NeoMap
SpaceEra++: 面向视频中3D空间推理的统一框架
机构 * School of Information Science and Technology, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）信息科学与技术学院） ； Shenzhen Loop Area Institute（深圳河套学院） ； School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）计算机科学与技术学院） ； Pengcheng Laboratory（鹏城实验室） ； School of Computer Science and Technology, Shandong Jianzhu University（山东建筑大学计算机科学与技术学院） ； Zhongguancun Academy（中关村学院） ； City University of Hong Kong（香港城市大学）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 提出SpaceEra++框架，通过ScenePick帧采样策略缓解输入不足，并利用SpaceAlign对齐绝对坐标与相对空间关系增强推理，在多个基准上超越强基线。
Comments Accepted by IEEE TPAMI 2026
桥接3D高斯与语义占据：从无位姿图像实现开放词汇的全面场景理解
机构 * The Hong Kong Polytechnic University（香港理工大学） ； Eastern Institute of Technology（东方理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Wuhan University（武汉大学） ； Great Wall Motor（长城汽车） ； Tsinghua University（清华大学） ； Ningbo Institute of Digital Twin, Eastern Institute of Technology（东方理工大学宁波数字孪生研究院）
专题命中 空间理解 ：novel view synthesis(abstract)；分类 cs.CV
AI总结 提出COVScene框架，通过可微体积提升将可渲染高斯原语与密集语义占据场耦合，实现无位姿图像下的新颖视图合成、开放词汇语义查询和语义占据预测。
Comments Hu Zhu, Bohan Li, and Xianda Guo contributed equally. Corresponding author: Wenjun Zeng
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈