Long-Tailed 3D Point Cloud Dataset Distillation
长尾3D点云数据集蒸馏
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 本研究针对长尾3D点云数据集蒸馏问题，提出含自适应合成预算分配与3D长尾分布匹配模块的框架，在ShapeNet55上使分类准确率较SOTA提升7.0个百分点。
视觉与机器人
3D 视觉
三维重建、NeRF、Gaussian Splatting、点云和空间智能。
1. 点云 11 篇
FPSGen: Flexible Point Cloud Scene Generation with BEV-Supported Transport Flows
FPSGen：基于鸟瞰图支持的传输流的灵活点云场景生成
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 FPSGen是一种不依赖部分扫描结果的灵活点云场景生成框架，通过BEV先验构建点源与路径拉直传输方案，在SemanticKITTI补全和KITTI-360无条件生成任务上达到先进性能。
Comments 34 pages, 16 figures
LiDARDraft: Generating LiDAR Point Cloud from Versatile Inputs
LiDARDraft: 从多样化输入生成LiDAR点云
机构 * TongjiUniversity（同济大学）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 LiDARDraft通过3D布局桥梁实现从多样化输入生成可控的LiDAR点云，支持自动驾驶环境的创建。
Dense Soft Weighting for Radar Ego-Velocity Estimation
用于雷达自速度估计的密集软加权方法
机构 * Imperial College London（帝国理工学院）
专题命中 点云 ：point cloud(abstract)；分类 cs.RO
AI总结 针对视觉退化环境中雷达自速度估计的传统CFAR方法易丢失有效线索的问题，提出密集软加权雷达前端，结合鲁棒加权最小二乘估计自速度，在多数据集上显著降低位姿误差且可实时运行。
Comments Submitted to
Distill, Diffuse, Segment: Unsupervised 3D Semantic Segmentation for Autonomous Driving Based on Multi-Level Distillation and Graph Diffusion
Distill, Diffuse, and Semanticize (DDS): 基于多粒度蒸馏和图扩散的无标注3D场景理解
机构 * Faculty of Computing, Harbin Institute of Technology（哈尔滨工业大学计算机学院） ； Pengcheng Laboratory（鹏城实验室）
专题命中 点云 ：point cloud(abstract)；分类 cs.CV
AI总结 DDS通过多粒度蒸馏和图扩散实现轻量级无标注3D场景理解，提升区域一致性和语义识别，实验显示在多个数据集上性能优于现有方法。
LISA-3D: Lifting Language-Image Segmentation to 3D via Multi-View Consistency
LISA-3D: 通过多视角一致性将语言-图像分割提升至3D
机构 * School of Computer Science & Technology, Beijing Institute of Technology（计算机科学与技术学院，北京理工大学）
专题命中 点云 ：3D reconstruction(abstract)；分类 cs.CV
AI总结 LISA-3D通过多视角一致性将语言-图像分割提升至3D，提升语言到3D的准确性达15.6个点，仅需11.6M参数，支持零样本部署。
Comments Published as a conference paper at The 9th Chinese Conference on Pattern Recognition and Computer Vision (PRCV 2026)
GBPP: Grasp-Aware Base Placement Prediction for Robots via Two-Stage Learning
GBPP：基于两阶段学习的机器人抓取感知基座放置预测
专题命中 点云 ：point cloud(abstract)；分类 cs.RO
AI总结 该研究提出GBPP算法，通过两阶段学习结合自动标注数据集与高保真模拟，实现机器人基座抓取位姿的快速预测，性能优于基线方法，为数据高效的基座放置提供了实用方案。
Comments Jizhuo Chen, Diwen Liu are equal contribution
Voronoi Histograms for Adaptive Vectorization of Expected Persistence Diagrams
用于期望持久性图自适应向量化的Voronoi直方图
专题命中 点云 ：point cloud(abstract)
AI总结 本文提出用Voronoi直方图对期望持久性图（EPD）进行自适应向量化，建立了其稳定性界，在真实世界数据集的分类与降维任务中验证了该表示的有效性。
Watershed vs. Region Growing for Individual Tree Segmentation from Airborne LiDAR: An Urban Case Study in Bologna
基于机载激光雷达的单木分割：分水岭算法与区域生长法的对比——以博洛尼亚城市区域为例
专题命中 点云 ：point cloud(abstract)
AI总结 该研究以博洛尼亚城市区域为案例，对比分水岭算法与区域生长法对机载LiDAR点云的单木分割效果，提取植被指标并构建交互式地图，为城市绿化规划提供可扩展基础。
Comments 26 pages, 21 figures
Persistence Spheres: a Bi-continuous Linear Representation of Measures for Partial Optimal Transport
持久球体：一种双连续的线性表示法用于部分最优运输
机构 * Institute of Computing, Faculty of Informatics, Universitá della Svizzera Italiana（计算研究所、信息学院、瑞士联邦理工学院）
专题命中 点云 ：point cloud(abstract)
AI总结 本文提出持久球体，一种双连续的线性表示法，用于部分最优运输，通过凸几何构建，提供参数自由的度量表示，并在多个任务中优于现有方法。
Equivariant Eikonal Neural Networks: Grid-Free, Scalable Travel-Time Prediction on Homogeneous Spaces
等变 eikonal 神经网络：齐性空间上无网格、可扩展的走时预测
机构 * Amsterdam Machine Learning Lab (AMLab), University of Amsterdam（阿姆斯特丹机器学习实验室（AMLab），阿姆斯特丹大学） ； New Theory（新理论） ； Department of Mathematics and Computer Science, Eindhoven University of Technology（数学与计算机科学系，埃因霍温理工大学） ； Leiden Institute of Advanced Computer Science, Universiteit Leiden（莱顿高级计算机科学研究所，莱顿大学）
专题命中 点云 ：point cloud(abstract)
AI总结 本文提出将等变神经场与神经 eikonal 求解器结合的新型框架，用于齐性空间等任意黎曼流形的走时预测，经地震走时建模验证，性能优于现有基于神经算子的方法。
