Learning Biomechanically Plausible Human Motion from Sparse Radar Point Clouds
从稀疏雷达点云学习符合生物力学原理的人体运动
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 本研究构建整合全身骨骼模型的端到端雷达姿态估计框架，在11名康复训练受试者的交叉验证中实现多项精准指标，证明从低成本雷达恢复生物力学描述符的可行性，为临床运动分析奠定基础。
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 7702 篇
Test Time Adaptation Methods for Point Cloud Registration in Laparoscopic Surgery
腹腔镜手术中点云配准的测试时自适应方法
机构 * ETS Montreal（蒙特利尔理工学院） ； LIVIA（LIVIA实验室）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 该研究针对腹腔镜手术中点云配准的域偏移问题，修改三类测试时自适应方法适配三维配准，经实验验证输入自适应是低延迟且误差降低效果稳定的最优方案。
Learning to Tessellate: Point Cloud Generation via Recursive Spectral Partitioning
学习镶嵌：通过递归谱划分生成点云
机构 * South China University of Technology（华南理工大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； City University of Hong Kong（香港城市大学） ； Singapore Management University（新加坡管理大学）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 该研究提出自回归框架PointRSP，通过拓扑保留的递归谱划分实现点云生成，引入拓扑感知划分自编码器与双流级联生成器，在生成质量、多样性及复杂3D拓扑泛化上达最优性能。
Comments Accepted by ECCV2026, project page: https://huggingface.co/Mo-nan/PointRSP
Two Steps Are All You Need: Efficient 3D Point Cloud Anomaly Detection with Consistency Models
两步即可：基于一致性模型的高效3D点云异常检测
机构 * R.V. College of Engineering（R.V. 工程学院） ； Technical University of Applied Sciences Würzburg-Schweinfurt（Würzburg-Schweinfurt 应用科学大学）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 本文提出基于一致性学习的重建异常检测方法，通过简化推理过程提升效率，实现低延迟的3D点云异常检测，适用于资源受限设备。
Comments Accepted to CVPR 2026, at the 9th Workshop on Efficient Deep Learning for Computer Vision (ECV). To be published in the IEEE/CVF CVPR 2026 Workshop Proceedings
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026, pp. 3479-3487
On the Efficacy of Self-Supervised Point Cloud Encoders for Efficient 3D Large Language Models
自监督点云编码器在高效3D大语言模型中的效能研究
机构 * Beijing University of Posts and Telecommunications（北京邮电大学）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 该研究探究低成本自监督点云编码器能否替代昂贵多模态编码器用于3D-LLM，经实验发现其与架构存在强交互，为高性价比3D-LLM设计提供指南。
Comments 14 pages, 3 figures. This work has been previously released as a preprint on ChinaXiv (No. ChinaXiv:202607.00167, DOI: 10.12074/202607.00167)
Parameter-Efficient Fine-Tuning for Spiking Point Cloud Models
用于脉冲点云模型的参数高效微调
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 针对脉冲点云模型全微调开销大、亚阈值信息被抑制的问题，提出首个参数高效微调框架SpikePEFT，通过IDT和SSDA技术，在仅更新约5%参数的情况下，在多个基准上取得优异分类准确率，同时保持SNN的节能特性。
Point2Radio: A Foundation Model for Cross-Scene Radio Fields from Material-Aware Point Clouds
Point2Radio：面向材料感知点云的跨场景无线电场基础模型
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 Point2Radio是从多环境学习可迁移传播先验的基础模型，基于材料感知点云实现跨场景无线电场预测，在路径增益预测上较UNet基线误差降76.7%，轻量微调可提升环境适应性。
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。
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。
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
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）
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。
Extrusion Segmentation Strategy to improve CAD Reconstruction from Point Cloud
挤压分割策略以提升点云的CAD重建
机构 * Institute of Geodesy and Photogrammetry（测绘院）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 本文提出一种挤压分割策略，通过将点云分割为独立的挤压部分，提高CAD重建的泛化能力和鲁棒性，从而提升深度学习模型的重建性能。
Comments Conference: ISPRS Toronto 2026
PC2Model: ISPRS benchmark on 3D point cloud to model registration
PC2Model：ISPRS基准在点云到模型配准
机构 * 1 Institute of Geodesy
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 本文提出PC2Model基准，通过结合模拟点云与真实扫描数据，解决点云到模型配准中的稀疏性、噪声等问题，提升跨领域模型泛化能力。
Comments ISPRS Congress 2026, Toronto
DM3D: Dynamic Mamba via Offset-Guided Feature Resampling for Point Cloud Understanding
DM3D：通过偏移引导的可微扫描实现点云理解的可变形Mamba
机构 * Xi'an Key Laboratory of Active Photoelectric Imaging Detection Technology（西安市主动光电成像探测技术重点实验室）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 DM3D提出了一种可变形Mamba架构，通过偏移引导的可微扫描机制实现点云的结构自适应序列化，结合可变形空间采样和可微重新排序，提升点云理解性能。
Loss Landscape Topology Reveals Why Simple Baselines are Competitive at 3D Point Cloud Segmentation Under Class Imbalance
损失景观拓扑揭示了为什么简单基线在类不平衡下的3D点云分割中具有竞争力
机构 * KIOS Research and Innovation Center of Excellence（KIOS卓越研究与创新中心） ； University of Cyprus（塞浦路斯大学）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 研究3D点云分割类不平衡问题，系统评估11种方法，发现标准交叉熵表现有竞争力。通过多方面分析揭示不平衡严重程度对拓扑结构的影响，为2D有效技术难转移至3D分割提供机理解释，给出实用指导。
Comments 21 pages, 7 figures, International Conference on Pattern Recognition (ICPR) 2026
Journal ref In: De Marsico, M., et al. Pattern Recognition. ICPR 2026. Lecture Notes in Computer Science, vol 16817. Springer, Cham
PointQ-Bench: Benchmarking Diagnostic and Interpretable Point Cloud Quality Assessment
PointQ-Bench：诊断性和可解释的点云质量评估基准
机构 * Xi’an Jiaotong University（西安交通大学） ； Xidian University（西安电子科技大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Ningxia University（宁夏大学）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 提出PointQ-Bench基准，通过异常感知、缺陷诊断、可用性分级和开放式质量报告任务，将点云质量评估从标量评分扩展到全面质量理解，并揭示当前模型在感知与诊断之间的差距。
Point-Selection Fine-Tuning Framework for Robust Point Cloud Classification
用于鲁棒点云分类的点选择微调框架
机构 * Guangdong Laboratory of Artificial Intelligence and Digital Economy (Shenzhen)（广东省人工智能与数字经济实验室（深圳）） ； Shenzhen University（深圳大学）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 研究针对噪声和损坏点降低点云识别性能的问题，提出PSFT点选择微调框架，通过估计点影响、生成提示令牌、附加特征过滤器等操作，在保持参数高效的同时提高鲁棒性，实验证明其有效性。
SemICP: Semantic Non-Rigid Point Cloud Registration with Elastic Energy Regularization
SemICP：基于弹性能量正则化的语义非刚性点云配准
机构 * Department of Electrical and Computer Engineering, University of British Columbia（电气与计算机工程系，不列颠哥伦比亚大学） ； Faculty of Medicine, University of British Columbia（医学院，不列颠哥伦比亚大学）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 研究针对计算机辅助干预中点云配准问题，提出SemICP框架，结合语义信息点匹配与变形正则化，经多数据集测试，相比其他方法降低多种距离误差，结合AI分割后为多模态配准提供有效管道。
TransDex: Pre-training Visuo-Tactile Policy with Point Cloud Reconstruction for Dexterous Manipulation of Transparent Objects
TransDex：基于点云重建的视觉-触觉政策预训练用于透明物体的精细操作
专题命中 点云 ：point cloud(title,abstract)；分类 cs.RO
AI总结 TransDex通过点云重建预训练实现视觉-触觉融合政策，解决透明物体操作中的自遮挡和深度噪声问题，提升真实机器人系统中精细操作性能。
Comments Project page: https://transdex.github.io/
PI3DETR: Parametric Instance Detection of 3D Point Cloud Edges With a Geometry-Aware 3DETR
PI3DETR：基于几何感知的3D点云边缘参数实例检测
机构 * AIT Austrian Institute of Technology Center for Vision, Automation & Control（奥地利技术研究院视觉、自动化与控制中心）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 PI3DETR通过几何感知的匹配策略和专用损失函数，实现对多种参数化曲线的统一检测，提升3D点云边缘检测的鲁棒性和实用性。
Cross-Coordinate Correspondence Pruning for Image-to-Point Cloud Registration
用于图像到点云配准的交叉坐标对应关系修剪
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 研究图像到点云配准问题，提出交叉坐标对应关系修剪（CCP）策略，通过投影统一坐标、轻量级网络预测内点置信度及多密度点集成策略，提升配准精度，性能比现有方法至少高8.6%。
Physics-Driven Local-Whole Elastic Deformation Modeling for Point Cloud Representation Learning
基于物理的局部-整体弹性变形建模用于点云表示学习
机构 * School of Computer Science and Technology, North University of China,Shanxi Provincial Key Laboratory of Machine Vision and Virtual Reality（计算机科学与技术学院，北中国大学，山西省机器视觉与虚拟现实重点实验室）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 本文提出基于物理的局部-整体弹性变形建模方法，结合数据驱动与物理机制，提升点云表示的结构建模能力和下游任务的泛化性。
Journal ref Expert Systems with Applications 332 (2027) 133448
Depth-Semantic Alignment and Affinity-Guided Fusion for Structured Radar Point Cloud Generation
深度语义对齐与亲和力引导融合的结构化雷达点云生成
机构 * Zhejiang University（浙江大学）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 针对毫米波雷达点云稀疏、噪声大、结构不完整的问题，提出基于视觉-雷达融合的多模态点云生成方法，利用图像语义约束和稀疏补全策略提升点云质量，并在检测跟踪任务中验证有效性。
DINE: Distance Is Not Enough -- Learning Global Deformation Priors for Robust Soft-Tissue Point Cloud Registration
DINE：距离并不够——学习用于鲁棒软组织点云配准的全局变形先验
机构 * Mannheim Institute for Intelligent Systems in Medicine (MIISM), Medical Faculty Mannheim, Heidelberg University（曼海姆医学智能系统研究所（MIISM），海德堡大学曼海姆医学院） ； Department of Radiation Oncology, Brigham and Women’s Hospital, Dana-Farber Cancer Institute, Harvard Medical School（布莱根妇女医院放射肿瘤学系，达纳-法伯癌症研究所，哈佛医学院） ； Department of Otorhinolaryngology, Head and Neck Surgery, University Medical Center Mannheim, Medical Faculty Mannheim, Heidelberg University（海德堡大学曼海姆医学院曼海姆大学医学中心耳鼻咽喉头颈外科） ； Department of Otolaryngology, Head and Neck Surgery, Campus Klinikum Bielefeld Mitte, University Hospital OWL of Bielefeld University（比勒费尔德大学OWL大学医院比勒费尔德市中心校区耳鼻咽喉头颈外科） ； Interdisciplinary Center for Scientific Computing (IWR), Heidelberg University（海德堡大学跨学科科学计算中心（IWR）） ； Central Institute for Computer Engineering (ZITI), Heidelberg University（海德堡大学中央计算机工程研究所（ZITI）） ； CZS Heidelberg Center for Model-Based AI, Heidelberg University（海德堡大学CZS基于模型的人工智能中心）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 研究针对软组织点云配准中对应估计难题，提出DINE框架，通过学习统计先验增强基于距离的配准，应用于两个主干并采用两阶段策略，实验表明其能降低平均倒角距离，提高对变形和噪声的鲁棒性，凸显全局变形合理性的重要性。
ProtoPointNet: Prototype-Based Interpretable Classification of 3D Dental Point Clouds with Verifiable Spatial Activations
ProtoPointNet：基于原型的具有可验证空间激活的3D牙齿点云可解释分类
机构 * Adelaide Dental School, Adelaide University（阿德莱德牙科学院，阿德莱德大学） ； Australian Institute for Machine Learning, Adelaide University（澳大利亚机器学习研究所，阿德莱德大学） ； School of Public Health, Adelaide University（阿德莱德大学公共卫生学院）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 研究针对3D牙齿点云分类，提出ProtoPointNet模型，结合局部表面几何等特征编码点，通过共享主干学习特定轴原型头，用辅助监督等训练，在Bits2Bites上取得较好结果，其激活定位合理，为牙齿表面对分析提供新的可解释方法。
Comments 2 Figures, 2 Tables
ACZ-GSeg: Adaptive Concentric Zone-based Two-stage Ground Segmentation for LiDAR Point Clouds
ACZ-GSeg：基于自适应同心区域的激光雷达点云两阶段地面分割
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 针对复杂道路场景中地面分割难题，提出基于自适应同心区域模型的两阶段地面分割方法，构建模型确定扇区数量，粗、细分割阶段分别采用不同约束提取和细化地面点，实验证明该方法能适应点云分布特征，提高分割稳定性。
White Aggregation and Restoration for Few-shot 3D Point Cloud Semantic Segmentation
用于少样本3D点云语义分割的白色聚合与恢复
机构 * Sungkyunkwan University（全州大学）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 研究少样本3D点云语义分割，针对现有方法问题，提出基于注意力机制的白色聚合与恢复模块（WARM），解决分布差距，生成有效原型，在多个数据集上取得良好性能，证明其在确定性原型生成中的有效性。
Comments Accepted to ECCV 2026. 22 pages, 6 figures
Pillar-Voxel Fusion Network for 3D Object Detection in Airborne Hyperspectral Point Clouds
用于空中超光谱点云中3D目标检测的柱体-体素融合网络
机构 * School of Electronics and Information Engineering, Harbin Institute of Technology（电子与信息工程学院，哈尔滨工业大学）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 本文提出PiV-AHPC网络，通过柱体-体素双分支编码器和多级特征融合机制，有效解决空中超光谱点云中3D目标检测的几何-光谱失真问题，实现高精度检测与泛化能力。
Journal ref Sci China Inf Sci, 2026, 69(1): 112301
LPRnet: A self-supervised registration network for LiDAR and photogrammetric point clouds
LPRnet：一种用于激光雷达和摄影测量点云的自监督注册网络
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 LPRnet通过自监督学习和多尺度训练策略，有效整合异构激光雷达与摄影测量点云，提升注册精度与鲁棒性。
Comments 12 pages, 9 figures, 5 tables
Journal ref IEEE Trans. Geosci. Remote Sens. 63 (2025) 1-12
Self-Supervised Pretraining Improves Cross-Site and Cross-Scale Robustness of Point Cloud Leaf-Wood Segmentation
自监督预训练提高点云树叶-木材分割的跨站点和跨尺度鲁棒性
机构 * Department of Landscape Architecture and Rural Systems Engineering, Seoul National University, Seoul, South Korea（景观建筑与乡村系统工程系，首尔国立大学，首尔，韩国） ； Interdisciplinary Program in Landscape Architecture, Seoul National University, South Korea（景观建筑跨学科项目，首尔国立大学，韩国） ； Integrated Major in Smart City Global Convergence, Seoul National University, Seoul, Republic of Korea（智能城市全球融合整合专业，首尔国立大学，首尔，韩国） ； Research Institute of Agriculture and Life Sciences, Seoul National University, Seoul, Republic of Korea（农业与生命科学研究院，首尔国立大学，首尔，韩国）
专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV
AI总结 研究树木点云树叶-木材分割方法跨森林类型和地点准确性差异问题，采用自监督预训练Point-M2AE并结合递归体素细分，提升了分割精度，在跨站点和跨尺度上表现良好，还改善了下游木材体积估计的性能。
Comments 30 pages, 10 figures
