3D 视觉

PathCover: A Fast Convex Decomposition along a Path via Randomized Iterative Space Partitioning (RISP) on Point Clouds

PathCover：基于点云的随机迭代空间划分（RISP）沿路径的快速凸分解

Kunal S. Narkhede, Abhijeet M. Kulkarni, Guoquan Huang, Ioannis Poulakakis

机构 * University of Delaware（特拉华大学） ； Athena Research Center（雅典娜研究中心） ； National Technical University of Athens（雅典国家技术大学） ； HERON–Center of Excellence in Robotics（赫伦机器人卓越中心） 纠错

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

AI总结 PathCover是基于点云的快速凸分解框架，采用RISP算法，可高效生成无障碍物多面体，速度较现有方法提升一个数量级，经仿真与实机验证适用于机器人导航。

Comments 13 pages, 5 figures

Hierarchical Flow Matching for 3D Point Cloud Generation

用于三维点云生成的分层流匹配

Linhao Wang, Qichang Zhang, Ye Su, Hao Wang

机构 * Shandong Normal University（山东师范大学） ； University of Macau（澳门大学） 纠错

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

AI总结 针对现有三维点云生成方法的缺陷，提出分层流匹配（HFM），将流匹配扩展为双级结构，在ShapeNet等基准上实现了有竞争力的生成性能。

Gradient Descent on Point Clouds and Applications in Learned Operator Correction

点云上的梯度下降及其在学习算子校正中的应用

Andreas Hauptmann, Yury Korolev, Matthew Thorpe

专题命中 点云 ：point cloud(title,abstract)

AI总结 该研究针对点云隐式未知流形上的能量最小化问题，提出了一种保持在流形邻域内的梯度下降格式，并将其应用于逆问题的学习算子校正。

UQ-Loc: Uncertainty-Aware LiDAR Scene Coordinate Regression

UQ-Loc：感知不确定性的激光雷达场景坐标回归

Jacek Komorowski

机构 * Warsaw University of Technology（华沙理工大学） 纠错

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

AI总结 UQ-Loc扩展LightLoc架构，添加各向同性高斯协方差头，采用NLL损失结合kNN正则化训练，改进SC2-PCR求解器推理，提升6自由度定位精度并校准不确定性。

Ordered Diffusion for 3D Human Registration

用于三维人体配准的有序扩散模型

Mattia Masiero, Ilya A. Petrov, Daniel Cremers, Gerard Pons-Moll, Riccardo Marin

机构 * University of Tübingen（蒂宾根大学） ； Tübingen AI Center（蒂宾根人工智能中心） ； Technical University of Munich（慕尼黑工业大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Max Planck Institute for Informatics（马克斯·普朗克信息学研究所） 纠错

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

AI总结 本研究针对三维人体配准的不确定性问题，提出ODin模型，将配准建模为三维扩散过程，实现了更优性能并大幅缩短配准时间。

Comments Accepted at GCPR 2026

SR-JEPA: Learning Predictive Latent State in 3D Scenes

SR-JEPA：在3D场景中学习预测性隐状态

Zihan Zhou, Qifu Wen, Xi Zeng

机构 * Boston University（波士顿大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 本文提出SR-JEPA，一种面向场景级点云的原生点JEPA，通过仅使用自包含的3D EMA目标训练，在3D场景实体缺失时可查询预测隐状态，在ARKitScenes和Sr3D数据集上取得了良好的语义预测性能，揭示了可组合的3D预测状态。

Comments 17 pages, 5 figures, 9 tables

Text-Guided Refinement of Multi-sequence Glioma Subregion Segmentation with a Vision-Language Foundation Model

基于视觉语言基础模型的文本引导多序列胶质瘤亚区分割细化

Zach Eidex, Yu-nong Lin, Mojtaba Safari, Sean Pitroda, Ralph Weichselbaum, Zhen Tian, Xiaofeng Yang

机构 * Emory University School of Medicine（埃默里大学医学院） ； The University of Chicago（芝加哥大学） ； Winship Cancer Institute（温希普癌症研究所） 纠错

专题命中 点云 ：3D vision(abstract)；分类 cs.CV

AI总结 该研究开发基于VoxTell的轻量级框架，用3D视觉语言基础模型实现文本引导的胶质瘤亚区分割细化，在BraTS-GLI及跨数据集测试中提升了分割的DSC指标，支持作为临床医生在环工具的进一步评估。

CADRE: Dynamic Catching via Implicit Contact Descriptors and Task-Appropriate Recovery Affordances

CADRE：基于隐式接触描述符和任务适配恢复可供性的动态抓取

Fan Yang, Zixuan Huang, Abhinav Kumar, Sergio Aguilera Marinovic, Soshi Iba, Rana Soltani Zarrin, Dmitry Berenson

机构 * Honda Research Institute USA（本田美国研究院） 纠错

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

AI总结 该研究针对灵巧操作中物体掉落的问题，提出CADRE强化学习框架，结合NDF提取接触特征与隐式恢复可供性函数，可高效成功恢复并零样本泛化到不同几何的未见物体。

Multi-Representation Geometric Hierarchy Fusion: An Implicit-Submap Driven Framework for Resilient 3D Place Recognition

多表示几何层次融合：一种用于鲁棒三维地点识别的隐式子图驱动框架

Xiaohui Jiang, Haijiang Zhu, Chade Li, Ning An

机构 * College of Information and Technology, Beijing University of Chemical Technology（信息与技术学院，北京化工大学） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（人工智能学院，中国科学院大学） ； Research Institute of Mine Artificial Intelligence, China Coal Research Institute（矿山人工智能研究院，中国煤炭科研院） 纠错

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

AI总结 针对激光雷达地点识别中描述子不稳定与表示脆弱性问题，本文提出隐式神经点驱动的多表示几何层次融合框架，在多数据集上实现鲁棒性能，平衡了精度、效率与内存占用。

The Intersection Euler Characteristic Profile: Euler Calculus and Stability for Topological Interaction of Ball Unions

相交欧拉特征轮廓：球并集拓扑交互的欧拉演算与稳定性

Kazuhiro Kawamura, Sushovan Majhi, Atish Mitra

专题命中 点云 ：point cloud(abstract)

AI总结 该研究提出相交欧拉特征轮廓（Intersection ECP），基于欧拉演算刻画多球并集拓扑交互，具多项稳定性，可高效计算，其细化能解析精细交互，稠密采样下可恢复基础形状的同调与欧拉特征。