3D 视觉

PointCSP: Cross-Sample Semantic Propagation and Stability Preservation in Self-Supervised Point Cloud Learning

PointCSP：自监督点云学习中的跨样本语义传播与稳定性保持

Xinxing Yu, Ajian Liu, Sunyuan Qiang, Hui Ma, Liying Yang, Yuzhong Wang, Zhi Rao, Yanyan Liang

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

AI总结 研究点云自监督学习中跨场景语义一致性问题，提出基于跨样本语义传播的PC-SSL框架及非对称语义保持蒸馏，在状态空间显式建模样本动态依赖，实现跨样本语义对齐与稳定转移，实验证明性能优于现有方法。

Comments conference

FUSE-Flow: A Decoupled Framework for Calibration and Stateless Real-Time Multi-View Point Cloud Fusion

FUSE-Flow：一种用于标定和无状态实时多视角点云融合的解耦框架

Chentian Sun

专题命中 点云 ：point cloud(title,abstract)；3D reconstruction(abstract)

AI总结 提出一种解耦标定与融合的框架FUSE-Flow，通过几何对齐标定模块和置信度引导融合模块，实现无标定板、无全局优化的实时多视角点云融合，在视觉效果、动态稳定性和可扩展性上优于主流方法。

Comments 8pages,5figures, the version to submit IEEE TMM, resubmitted on 2026.7.8

SHReg: Strictly Rotation-Equivariant Point Cloud Registration via Spherical Harmonics

SHReg：通过球谐函数实现严格旋转等变的点云配准

Chongjian Wang, Junjie Gao

机构 * College of Mathematics and Systems Science, Shandong University of Science and Technology（山东科技大学数学与系统科学学院） ； School of Artificial Intelligence, Shandong Women’s University（山东女子学院人工智能学院） 纠错

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

AI总结 研究提出基于$SO(3)$表示理论的SHReg框架，将局部几何特征表示为$SO(3)$不可约表示，基于球谐函数等变主干联合学习旋转不变描述符与等变特征，减少对大规模假设采样依赖，在点云配准精度上优于现有方法。

MiSS: A Logic-Driven Explanation of Minimal Sufficient Coalitions for Point Cloud Classifiers

MiSS：点云分类器最小充分联盟的逻辑驱动解释

Mengda Xing, Jean-Marie Lagniez

专题命中 点云 ：point cloud(title,abstract)

AI总结 研究针对3D点云分类器，提出MiSS框架，通过扰动相对充分性推理来解释。该框架将候选提议与验证分开，由加权MaxSAT过程提议联盟，黑盒统计预言机确定充分性，实验表明其在精度、覆盖率和解释时间上优于基于规则的基线和穷举搜索。

Hypergraph $p$-Laplacian regularization on point clouds for data interpolation

超图p-拉普拉斯正则化在点云数据插值中的应用

Kehan Shi, Martin Burger

专题命中 点云 ：point cloud(title,abstract)

AI总结 本文提出基于超图的p-拉普拉斯正则化方法，用于提升点云数据插值中防止标记点尖峰发展的性能。

Comments 34 pages

An Indoor Radio Mapping Dataset Combining 3D Point Clouds and RSSI

一种结合3D点云和RSSI的室内无线电映射数据集

Ljupcho Milosheski, Kuon Akiyama, Blaž Bertalanič, Jernej Hribar, Ryoichi Shinkuma

机构 * Jožef Stefan Institute, Department of Communication Systems（乔泽夫·斯塔芬研究所，通信系统系） ； International Postgraduate School Jožef Stefan, Information and Communication Technologies（国际研究生学校乔泽夫·斯塔芬，信息与通信技术） ； Faculty of Engineering, Shibaura Institute of Technology（工学院， Shibaura技术研究所） 纠错

专题命中 点云 ：point cloud(title)

AI总结 本文提出了一种结合3D点云和RSSI的室内无线电映射数据集，用于支持无线网络规划和优化。

Comments 19 pages, 8 figures, 3 tables

SimBEV2X: A Large-Scale Dataset and Data Generation Tool for Multi-Task Vehicle-to-Everything Cooperative Perception

SimBEV2X：用于多任务车联网协同感知的大规模数据集与数据生成工具

Goodarz Mehr, Sepideh Gohari, Montasir Abbas, Azim Eskandarian

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

AI总结 研究针对V2X协同感知算法发展受限问题，介绍基于CARLA模拟器的SimBEV2X数据生成工具及数据集，通过它建立基线并提出CoBEVFusion架构，实现上下文感知多智能体特征聚合，性能优越。

Comments Submitted to IEEE for review

PriSAR: 3D Geometric-Prior-Guided Diffusion for Parameter-Controlled SAR Image Generation

PriSAR：用于参数控制SAR图像生成的3D几何先验引导扩散

Fan Zhang, Xuanting Wu, Fei Ma, Qiang Yin, Yuxin Hu

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

AI总结 研究SAR图像在稀疏观测角度下的可控生成问题，提出用3D模型导出的几何先验引导扩散模型的方法，即GeoDiff-SAR，经实验在飞机和车辆数据集上取得较好结果，证明该轻量级3D几何先验可改善视点一致性，用作生成指导。

Comments 17 pages,15 images

RODR: Riemannian Orthogonally Decoupled Regularization for Disentangled Manifold Representation

RODR：用于解缠流形表示的黎曼正交解耦正则化

Jiayu Zhu, Wenlai Zhao

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

AI总结 研究点云去噪中目标与几何不匹配问题，提出黎曼正交解耦正则化（RODR），通过解耦法向和切向分量重新制定优化轨迹，实验表明其性能与基线相当，能改善分布规律、减少局部聚集，建立了解缠几何优化框架。

Comments 10 pages, 4 figures

Data-Driven Diffusion Processes on Differential Forms via the Projected Ambient Connection Laplacian

通过投影环境联络拉普拉斯算子在微分形式上进行数据驱动的扩散过程

Alvaro Almeida Gomez, Jorge Duque Franco

专题命中 点云 ：point cloud(abstract)

AI总结 研究如何通过投影环境联络拉普拉斯算子对微分形式进行数据驱动的扩散过程，基于新颖表示构造矩阵值扩散算子，有渐近最优核带宽缩放，推导显式欧拉格式并经数值实验验证，为几何偏微分方程数值逼近奠定基础。

Comments Comments are welcome

PI-GINOT: Data-free geometry-informed neural operator learning for finite-strain hyperelasticity on parametric DogBone specimens

PI-GINOT：用于参数化狗骨形试件有限应变超弹性的无数据几何信息神经算子学习

Aamir Dean, Betim Bahtiri

专题命中 点云 ：point cloud(abstract)

AI总结 研究针对参数化非线性固体力学模拟成本高的问题，提出PI-GINOT这一无数据几何信息神经算子，通过特定方法预测狗骨形试件有限应变超弹性响应，经训练和验证，在多个测试几何形状上取得一定精度结果，揭示了局部应力分辨率待提升之处。

Near-Optimal Dimension Lower Bounds for Single-Vector Embeddings of Maximum Inner Product Similarity

最大内积相似度单向量嵌入的近最优维度下界

Rajesh Jayaram, Honghao Lin, Vahab Mirrokni, David P. Woodruff

专题命中 点云 ：point cloud(abstract)

AI总结 研究针对最大内积相似度单向量嵌入的维度下界问题。此前上下界在m指数上有差距，本文几乎弥合。证明结合方法得出，对固定δ及足够小ε、m≥(1/ε)^A_δ，单向量近似维度D≥m^(c_δ/ε^(2 - 2δ))，此结论对多种情况适用，指数接近上界。

Distance-Matrix Wasserstein Statistics for Scalable Gromov--Wasserstein Learning

基于距离矩阵的Wasserstein统计用于可扩展的Gromov-Wasserstein学习

Ao Xu, Tieru Wu

专题命中 点云 ：point cloud(abstract)

AI总结 本文提出距离矩阵Wasserstein统计，通过采样点并运输距离矩阵来近似Gromov-Wasserstein距离，证明其作为下界并建立反向逼近不等式，同时提供有限样本界和可扩展计算方法。

Comments The authors withdraw this manuscript because its attribution and positioning relative to prior work require substantial correction, and several technical arguments require further verification. The current version should not be relied upon