3D 视觉

PCT-Prompt: A Prompt-Guided Transformer Framework for Dense Prediction Tasks in Point Clouds

PCT-Prompt：用于点云密集预测任务的提示引导Transformer框架

Dejun Zhang, Yanzi Bai, Yiqi Wu

机构 * China University of Geosciences（中国地质大学） ； Li Auto Inc（理想汽车） 纠错

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

AI总结 PCT-Prompt是一种提示引导Transformer框架，通过引入提示引导特征分支和提示丢弃机制，提升了标准Transformer在点云密集预测任务中的适应性，在多个公开数据集上取得了优异性能。

ProjFormer: Point Cloud Completion via Geometric-Projective Transformer and Cross-Modal Semantic Constraints

ProjFormer：基于几何投影Transformer与跨模态语义约束的点云补全

Sheng Liu, Meng Wang, Ruihui Li, Huilong Pi, Zhuo Tang, Kenli Li

机构 * Hunan University（湖南大学） 纠错

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

AI总结 针对现有点云补全方法几何一致性与适应性不足的问题，提出ProjFormer跨模态框架，通过投影引导视图注意力模块与几何感知路由网络实现高效特征聚合与融合，在轻量级设计下取得了具竞争力的补全性能。

Comments Accepted by ACM Multimedia 2026. 10 pages, 6 figures, 5 tables

FlexAM: Flexible Appearance-Motion Decomposition for Versatile Video Generation Control

FlexAM: 一种灵活的外观-运动分解方法用于多功能视频生成控制

Mingzhi Sheng, Zekai Gu, Peng Li, Cheng Lin, Hao-Xiang Guo, Ying-Cong Chen, Yuan Liu

机构 * HKUST(GZ)（香港科技大学（广州）） ； HKUST（香港科技大学） ； MUST（澳门大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 FlexAM通过引入新型3D控制信号，实现外观与运动的解耦，提升视频生成任务的灵活性和生成质量。

Comments Codes: this https URL (https://github.com/IGL-HKUST/FlexAM)

How Sampling Strategy Affects Imbalance Mitigation in LiDAR Segmentation: A Study of Structured vs. Random Point-Based Architectures

采样策略如何影响激光雷达分割中的不平衡缓解：结构化与基于随机点的架构研究

Antonis Savva, Christos Kyrkou, Theocharis Theocharides

机构 * University of Cyprus（塞浦路斯大学） 纠错

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

AI总结 该研究在DALES、S3DIS、STPLS3D数据集上，针对KPConv和RandLA-Net架构，测试了6种重加权方案与5种感知不平衡损失，发现采样策略、不平衡程度及数据采集特征的相互作用影响激光雷达分割的不平衡缓解效果。

Comments 9 pages, 6 figures, IEEE International Conference on Image Processing (ICIP) 2026

Cyclops: LiDAR as a Camera That Dreams in Color

Cyclops：以彩色进行“梦境”的相机式激光雷达

Wei Gao, Jian Shu, Mingle Zhao, Maani Ghaffari, David Kong, Chengzhong Xu, Hui Kong

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Michigan（密歇根大学） ； University of Macau（澳门大学） 纠错

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

AI总结 本文提出Cyclops框架，将稀疏NRS-LiDAR强度转为RGB视频，通过LBM等技术缓解帧间闪烁，合成RGB可使感知模型在多任务上优于LiDAR基线与传统相机。

COOL: A Cooling-Aware Point Transformer Framework for Thermal Prediction in Advanced 3D/3.5D IC Packaging

COOL：面向先进3D/3.5D IC封装热预测的感知冷却的点Transformer框架

Yao Lu, Zhicheng Guo, Qijun Zhang, Shang Liu, Wenji Fang, Wenkai Li, Zhiyao Xie

专题命中 点云 ：point cloud(abstract)

AI总结 针对先进3D/3.5D IC封装热管理挑战，提出感知冷却的点Transformer框架COOL，显式编码几何与冷却结构，引入PI-BC损失，在自建基准上NMAE达2.4%，速度较商用FEM求解器提升超15.7倍且优于现有学习方法。

Comments 7 pages, accepted at DAC 2026

Doubling the dimension yields a benign landscape for the squared-stress

维度加倍可产生平方应力的良性景观

Christopher Criscitiello

专题命中 点云 ：point cloud(abstract)

AI总结 本文针对欧氏距离几何问题，证明当k≥2(ℓ+1)时，完全图平方应力的优化景观为良性，将k≥ℓ+1的猜想因子缩小一半，采用二阶临界性的对偶视角推导结论。

Comments 38 pages

Plasolver: Physics-Informed Neural Operators for Elastoplasticity

Plasolver：用于弹塑性问题的物理信息神经算子

Yizheng Wang, Mohammad Sadegh Eshaghi, Huadong Zhang, Xiaoying Zhuang, Timon Rabczuk, Yinghua Liu

专题命中 点云 ：point cloud(abstract)

AI总结 研究针对弹塑性分析计算成本高的问题，提出Plasolver物理信息神经算子框架，结合算子学习与经典求解器优势，预训练结合热启动阶段，实现高精度与大幅加速，减少迭代次数，为弹塑性问题提供高效计算框架。

WiWorld-RealData: A Real-World Multi-Modal Dataset for 6G Wireless World Models

WiWorld-RealData：用于6G无线世界模型的真实世界多模态数据集

Yinyin Jiao, Huixin Xu, Jianhua Zhang, Yuelong Qiu, Jingjing Wang, Shaoyi Liu, Yuxiang Zhang, Li Yu, Xuebin Sun, Guangyi Liu

专题命中 点云 ：point cloud(abstract)

AI总结 提出WiWorld-RealData数据集，包含3.7 GHz和6.775 GHz的信道冲激响应、多视角图像、全景图像、LiDAR点云、毫米波雷达记录和GNSS轨迹，支持环境辅助的信道预测，路径损耗预测MAE为2.02 dB。

Comments 6 pages, 6 figures, 3 tables

Cross-Geometry Transfer Learning in Fast Electromagnetic Shower Simulation

快速电磁 shower 模拟中的跨几何迁移学习

Frank Gaede, Gregor Kasieczka, Lorenzo Valente

专题命中 点云 ：point cloud(abstract)

AI总结 本文提出了一种迁移学习框架，用于快速电磁 shower 模拟，通过点云表示和预训练实现跨几何结构的高效适应，显著提升了模拟精度。

Comments Published version. 38 pages, 18 figures

Feature-Aware (Hyper)graph Generation via Next-Scale Prediction

特征感知的（超）图生成：基于下一尺度预测

Dorian Gailhard, Enzo Tartaglione, Lirida Naviner, Jhony H. Giraldo

专题命中 点云 ：point cloud(abstract)

AI总结 提出FAHNES框架，通过层次化下一尺度预测联合生成图/超图的拓扑和特征，实现大规模带特征图/超图的高效生成。