3D 视觉

Direct Object-Level Reconstruction via Probabilistic Gaussian Splatting

通过概率高斯溅射实现直接的对象级重建

Shuai Guo, Ao Guo, Junchao Zhao, Qi Chen, Yuxiang Qi, Zechuan Li, Dong Chen, Mingliang Xu

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

AI总结 本文提出一种基于2D高斯溅射的高效单对象3D重建方法，通过整合前景-背景概率提示和动态剪枝低概率高斯，提升内存和计算效率，实验表明其在遮罩误差下具有强自修正能力，重建质量接近标准3DGS方法，但高斯数量仅为1/10。

GeoGS-SLAM: Online Monocular Reconstruction Using Gaussian Splatting with Geometric Priors

GeoGS-SLAM：使用带几何先验的高斯点云的在线单目重建

Ruilan Gao, Letian Jin, Yu Zhang

机构 * State Key Laboratory of Industrial Control Technology, College of Control Science and Engineering, Zhejiang University（工业控制技术国家重点实验室，浙江大学控制科学与工程学院） ； Key Laboratory of Collaborative Sensing and Autonomous Unmanned Systems of Zhejiang Province（浙江省协同感知与自主无人系统重点实验室） 纠错

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

AI总结 研究提出GeoGS-SLAM在线单目密集重建系统，结合3DGS地图表示与几何先验。利用前馈模型预测先验，通过采样扩展地图，粗到细优化姿态和地图，纳入回环检测与姿态图优化，实验表明其在质量、精度和实时性上优于现有方法。

AsySplat: Efficient Asymmetric 3D Gaussian Splatting for Long-Sequence Scene Modeling

AsySplat：用于长序列场景建模的高效非对称3D高斯点云渲染

Yingji Zhong, Dave Zhenyu Chen, Fuzhao Ou, Youyu Chen, Zhihao Li, Lanqing Hong, Dan Xu

机构 * HKUST（香港科技大学） ； Huawei Noah’s Ark Lab（华为诺亚方舟实验室） ； CityU（城市大学） 纠错

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

AI总结 研究针对长序列场景建模中3D高斯点云渲染的冗余计算问题，提出非对称架构解耦几何与外观建模，通过双边连接交互，减少计算冗余，提高参数效率，在32视图960P输入上大幅提升效率并超越零样本性能。

Comments The project page is at https://zhongyingji.github.io/asysplat/

On the Design of Mixture-of-Experts for Dynamic Gaussian Splatting

关于动态高斯点云的专家混合模型设计

In-Hwan Jin, Hyeongju Mun, Joonsoo Kim, Kugjin Yun, Kyeongbo Kong

机构 * Pusan National University（釜山国立大学） ； Electronics and Telecommunications Research Institute (ETRI)（电子和电信研究所） 纠错

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

AI总结 研究动态3D高斯表示的多变形建模问题，提出变形专家混合（MoDE）和动态高斯点云专家混合（MoE-GS）两种方法，通过不同集成约束实现多变形建模，为该领域提供替代策略并阐明集成约束对变形专家设计及行为的影响。

Comments IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI, 2026)

GLC-SLAM: Gaussian Splatting SLAM with Efficient Loop Closure

GLC-SLAM：基于高效循环闭合的高斯点云SLAM

Ziheng Xu, Qingfeng Li, Chen Chen, Xuefeng Liu, Jianwei Niu

机构 * Beihang University（北航大学） ； Hangzhou Innovation Institute of Beihang University（北航杭州创新研究院） 纠错

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

AI总结 GLC-SLAM通过全局优化和高效循环闭合解决大规模环境中的SLAM漂移问题，提升密集建图性能。

Journal ref Expert Systems with Applications (2026)

SyncSpace: Layout-Conditioned 3D Gaussian Splatting for Space Reskinning in Mixed Reality

SyncSpace：用于混合现实中空间重塑的布局条件3D高斯溅射

Qinchuan Zhang, Weibo Xu, Yunge Wen

专题命中 Gaussian Splatting ：Gaussian Splatting(title)；3DGS(abstract,abstract_cn)

AI总结 SyncSpace系统通过深度感应提取3D边界框，经生成世界模型生成高斯溅射场景，再用粗到精算法与物理空间对齐，实现空间重塑，可展示手部跟踪吞噬交互及同一空间重塑为多风格世界。

Comments 2 pages, 2 figures

DP-Splat: Bayesian Nonparametric Complexity Control for Gaussian Splatting

DP-Splat：用于高斯点云的贝叶斯非参数复杂度控制

Aqi Dong

机构 * Embry-Riddle Aeronautical University（安柏瑞德航空大学） 纠错

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

AI总结 研究如何控制高斯点云的复杂度，提出用截断的折断棒狄利克雷过程先验等方法，使组件数量适应数据，更新为闭式步骤。实验表明有效复杂度能适应场景，DP先验贡献在复杂度选择，在多方面表现优于固定K的VBGS。

Comments 18 pages, 8 figures. Code and experiment records: https://github.com/archiedong/dp-splat

SparseLGS: Sparse View Language Embedded Gaussian Splatting

SparseLGS：稀疏视图语言嵌入高斯溅射

Jun Hu, Zhang Chen, Zhong Li, Yi Xu, Juyong Zhang

机构 * School of Mathematical Science, University of Science and Technology of China（科学技术大学数学科学学院） ； Meta ； Apple Inc.（苹果公司） ； Alpha Labs at Goertek（Goertek的Alpha实验室） 纠错

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

AI总结 研究针对无姿态和稀疏视图输入图像的3D场景理解难题，提出SparseLGS方法。利用密集立体模型与区域匹配法，提取低维信息并引入重建损失。实验表明该方法用较少输入重建语义场质量可比SOTA，且速度提升5倍。

Comments Project Page: https://ustc3dv.github.io/SparseLGS

MAC-Splat: Multi-Attribute Consistency for High-Fidelity Sparse-View Reconstruction

MAC-Splat：用于高保真稀疏视图重建的多属性一致性

Jinqian Yang, Yichen Wu, Wanhua Li, Haokun Lin, Renzhen Wang, Xiangchu Feng, Xixi Jia

机构 * Xidian University（西安电子科技大学） ； Harvard University（哈佛大学） ； Nanyang Technological University（南洋理工大学） ； City University of Hong Kong（香港城市大学） ； Xi’an Jiaotong University（西安交通大学） 纠错

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

AI总结 针对稀疏视图重建中现有方法存在几何伪影的问题，提出MAC-Splat训练框架，利用MASt3R和DINOv3获取2D对应关系并定义MAC损失，联合正则化3D属性，实验证明该方法能有效解决不适定的稀疏视图重建问题，性能优于基线。

Comments Accepted to the European Conference on Computer Vision (ECCV 2026)

Grassmannian Splatting I: Moving rank-2 Spacetime Surfels for Dynamic Scene Rendering

格拉斯曼体点云绘制 I：用于动态场景渲染的移动秩-2时空表面元素

Aaron Maurice Berman, Shantanu Dave

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

AI总结 该研究提出格拉斯曼体点云绘制用于动态场景渲染，其基元为特定高斯分布，运动模型封闭，无需学习变形场和自定义CUDA。在17个HyperNeRF场景训练速度最快，PSNR、MS-SSIM和LPIPS排名第二。

Incremental Online Scene Reconstruction by 3D Gaussian Triangulation

基于3D高斯三角剖分的增量式在线场景重建

Yanjin Zhu, Shaofan Liu, Jianke Zhu

机构 * Zhejiang University（浙江大学） ； Hefei University of Technology（合肥工业大学） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

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

AI总结 研究增量式在线场景重建问题，提出通过直接对密集几何高斯表示三角剖分来重建和更新显式网格的方法，还给出直接网格化算法及相关约束，实验证明该方法性能优于传统高斯方法。

CoSAG: Compact Semantic Anchor Gaussians via Training-Free Rate-Distortion Coding

CoSAG：通过无训练率失真编码实现的紧凑语义锚定高斯模型

Yuang Jia, Jinlong Wang, Junhong Lin, Ruiting Dai, Wei Gao

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

AI总结 研究开放词汇3D场景理解中存储瓶颈问题，提出CoSAG方法，通过特定构建方式和存储编码，无需场景训练，实现亚兆字节存储，在多项协议上匹配或超越现有技术，大幅减小场大小。

Satellite-Free Training for Drone-View Geo-Localization

无需卫星的无人机视角地理定位

Tao Liu, Yingzhi Zhang, Kan Ren, Xiaoqi Zhao

机构 * Nanjing University of Science and Technology（南京理工大学） ； University of Tsukuba（筑波大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出无需卫星数据的训练框架，通过三维场景重建、伪正射影像生成和特征聚合，提升无人机在无GPS环境下的地理定位性能。

Comments Withdrawn by the authors to allow for substantial revision in light of valuable reviewer feedback. A thoroughly revised version may be submitted in the future