3D 视觉

ShapeGrasp: Simultaneous Visuo-Haptic Shape Completion and Grasping for Improved Robot Manipulation

ShapeGrasp: 同时进行视觉-触觉形状补全与抓取以改进机器人操作

Lukas Rustler, Matej Hoffmann

机构 * Czech Technical University in Prague（捷克布拉格技术大学） 纠错

专题命中 三维重建 ：point cloud(abstract)；分类 cs.RO

AI总结 提出ShapeGrasp迭代抓取与补全流程，结合隐式表面视觉-触觉形状补全与基于物理的抓取规划，从单RGB-D视图推断完整形状并生成候选抓取，利用抓取反馈更新形状，在真实机器人上实现高抓取成功率并改善3D形状重建质量。

Comments Submitted for peer review

VecSet-Edit: Unleashing Pre-trained LRM for Mesh Editing from Single Image

VecSet-Edit：利用预训练的LRM进行单图像网格编辑

Teng-Fang Hsiao, Bo-Kai Ruan, Yu-Lun Liu, Hong-Han Shuai

机构 * National Yang Ming Chiao Tung University（国立阳明交通大学） 纠错

专题命中 三维重建 ：Gaussian Splatting(abstract)；分类 cs.CV

AI总结 本文提出VecSet-Edit，利用VecSet LRM进行单图像网格编辑，通过Mask引导的token播种和注意力对齐的token门控策略，结合漂移感知的token修剪和细节保留的纹理烘焙模块，实现高精度网格编辑。

Comments Accepted by SIGGRAPH 2026

EndoUFM: Utilizing Foundation Models for Monocular depth estimation of endoscopic images

EndoUFM：利用基础模型进行内窥镜图像的单目深度估计

Xinning Yao, Bo Liu, Bojian Li, Jingjing Wang, Jinghua Yue, Fugen Zhou

机构 * Image Processing Center, Beihang University（北京航空航天大学图像处理中心） ； State Key Laboratory of High-Efficiency Reusable Aerospace Transportation Technology（高效可重复航天运输技术国家重点实验室） 纠错

专题命中 三维重建 ：3D reconstruction(abstract)；分类 cs.CV

AI总结 提出EndoUFM框架，通过双基础模型和自适应微调策略（RVLoRA和Res-DSC）提升内窥镜图像单目深度估计性能，在多个数据集上达到最优。

Comments 12 pages

ILV: Iterative Latent Volumes for Fast and Accurate Sparse-View CT Reconstruction

ILV: 用于快速准确稀疏视角CT重建的迭代潜在体

Seungryong Lee, Woojeong Baek, Joosang Lee, Eunbyung Park

机构 * Sungkyunkwan University（成均馆大学） ； Yonsei University（延世大学） 纠错

专题命中 三维重建 ：3D reconstruction(abstract)；分类 cs.CV

AI总结 提出迭代潜在体（ILV）框架，结合数据驱动先验与经典迭代重建原理，通过构建并迭代更新显式3D潜在体，实现稀疏视角CBCT的快速高精度重建，在约14,000个CT体积的大规模数据集上显著优于现有方法。

Comments Project page: https://sngryonglee.github.io/ILV/

FrameVGGT: Coherence-Preserving Memory for Bounded Streaming Geometry

FrameVGGT：几何对齐的帧级内存用于有界流式VGGT

Zhisong Xu, Takeshi Oishi

机构 * Institute of Industrial Science（工业科学研究所） ； The University of Tokyo（东京大学） 纠错

专题命中 三维重建 ：3D reconstruction(abstract)；分类 cs.CV

AI总结 FrameVGGT从几何支持角度重新审视有界内存流式处理，通过组织帧级增量KV贡献为连贯段，实现稳定几何支持与内存平衡。

Comments 23pages including appendix checklist

A Linear Fractional Transformation Model and Calibration Method for Light Field Camera

光场相机的线性分式变换模型与标定方法

Zhong Chen, Changfeng Chen

机构 * School of Mechanical and Automotive Engineering, South China University of Technology（机械与自动化工程学院，华南理工大学） 纠错

专题命中 三维重建 ：3D reconstruction(abstract)；分类 cs.CV

AI总结 提出一种线性分式变换模型，通过单一参数解耦主透镜与微透镜阵列成像，实现独立标定，在物理与模拟数据集上达到2.1%的平均平移误差，优于现有方法。

GAPartManip: A Large-scale Part-centric Dataset for Material-Agnostic Articulated Object Manipulation

GAPartManip：面向材料无关铰接物体操作的大规模部件中心数据集

Wenbo Cui, Chengyang Zhao, Songlin Wei, Jiazhao Zhang, Haoran Geng, Yaran Chen, Haoran Li, He Wang

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； CFCS, School of Computer Science, Peking University（北京大学计算机科学系） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Berkeley（加州大学伯克利分校） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； Galbot 纠错

专题命中 三维重建 ：3D vision(abstract)；分类 cs.RO

AI总结 提出大规模部件中心数据集GAPartManip，结合照片级材质随机化和部件级交互姿态标注，通过模块化框架提升深度估计与交互姿态预测，在仿真和真实场景中实现鲁棒的铰接物体操作。

Comments Accepted by ICRA 2025. Project page: https://pku-epic.github.io/GAPartManip/

Does Head Pose Correction Improve Biometric Facial Recognition?

姿态校正是否能提升生物特征面部识别？

Justin Norman, Hany Farid

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

专题命中 三维重建 ：3D reconstruction(abstract)；分类 cs.CV

AI总结 研究探讨了AI驱动的头部姿态校正与图像修复对面部识别准确率的影响，发现选择性应用CFR-GAN与CodeFormer可提升识别性能。

CADBench: A Multimodal Benchmark for AI-Assisted CAD Program Generation

CADBench：一个用于AI辅助CAD程序生成的多模态基准

Anna C. Doris, Jacob Thomas Sony, Ghadi Nehme, Era Syla, Amin Heyrani Nobari, Faez Ahmed

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

专题命中 三维重建 ：3D reconstruction(abstract)；分类 cs.CV

AI总结 本文提出CADBench，一个统一的多模态CAD程序生成基准，包含18000个样本和六类基准，评估11种视觉语言模型，揭示了CAD程序生成中的三种常见失败模式。

SuperCarver: Texture-Consistent 3D Geometry Super-Resolution for High-Fidelity Surface Detail Generation

SuperCarver: 纹理一致的3D几何超分辨率用于高保真表面细节生成

Qijian Zhang, Xiaozheng Jian, Xuan Zhang, Wenping Wang, Junhui Hou

机构 * Tencent Games, China（腾讯游戏，中国） ； Department of Computer Science & Engineering, Texas A & M University（电子与计算机工程系，德克萨斯A&M大学） ； Department of Computer Science, City University of Hong Kong（计算机科学系，香港城市大学） 纠错

专题命中 三维重建 ：3D generation(abstract)；分类 cs.CV

AI总结 提出SuperCarver，一种3D几何超分辨率管线，通过先验引导的法线扩散模型和噪声鲁棒的逆渲染，为粗糙网格补充纹理一致的表面细节，实现高保真细节生成。

Comments Accepted in IEEE TVCG

CADFit: Precise Mesh-to-CAD Program Generation with Hybrid Optimization

CADFit：基于混合优化的精确网格到CAD程序生成

Ghadi Nehme, Eamon Whalen, Faez Ahmed

机构 * Department of Mechanical Engineering, Massachusetts Institute of Technology, Cambridge, MA 02139, USA（麻省理工学院机械工程系） 纠错

专题命中 三维重建 ：point cloud(abstract)；分类 cs.CV

AI总结 提出CADFit框架，通过基于几何反馈的增量拟合和验证参数化操作，从网格中恢复复杂可编辑的CAD构造序列，在多个基准上优于现有方法，并显著降低无效比率。

GEAR: Reconstruction of Classical Paintings via Geometry Grounding and Appearance Restitution

GEAR：通过几何定位和外观还原重建古典绘画

Qinyu Zhang, Xinda Liu, Yunchen Li, Yunzhuo Liu, Chenxi Hu, Kang Li, Guohua Geng

专题命中 三维重建 ：3D reconstruction(abstract)

AI总结 研究旨在解决从单幅古典绘画重建3D场景的难题，提出免训练的GEAR框架，先通过几何定位增强3D高斯重建稳定性，再在空间约束下恢复外观，经实验验证其在多方面优于基线，还构建了相关基准。

Comments Accepted by ACM MM 2026

VersaQ-3D: Architecture Support for Visual Geometry Grounded Transformers via Versatile Quantization

VersaQ-3D：通过通用量化对视觉几何基础变压器的架构支持

Yipu Zhang, Jintao Cheng, Xingyu Liu, Zeyu Li, Carol Jingyi Li, Jin Wu, Lin Jiang, Ceyu Xu, Yuan Xie, Jiang Xu, Wei Zhang

专题命中 三维重建 ：3D reconstruction(abstract)

AI总结 研究针对视觉几何基础变压器（VGGT）因参数规模大及量化困难限制设备部署的问题，提出VersaQ-3D算法-架构协同设计框架，算法上有无校准量化方法，架构上设计可重构加速器，实现低比特高精度及显著加速，能在边缘设备高效进行3D重建。

MEGO: Learning Mixture-of-Experts for General-Purpose Binary Optimization

MEGO：学习用于通用二进制优化的专家混合模型

Shengcai Liu, Zhiyuan Wang, Yew-Soon Ong, Xin Yao, Ke Tang

专题命中 三维重建 ：3D reconstruction(abstract)

AI总结 研究针对离散优化问题，提出MEGO这一通用神经优化器，它由无需领域知识训练的专家混合模型构成，通过路由策略解决新问题。在多类问题上展现强大泛化能力，优于现有优化器，还提供了量化问题相似性及分类的新方法。

Comments 33 pages, 7 figures

DivCon-NeRF: Diverse and Consistent Ray Augmentation for Few-Shot NeRF

DivCon-NeRF：用于少样本NeRF的多样且一致的射线增强

Ingyun Lee, Jae Won Jang, Seunghyeon Seo, Nojun Kwak

机构 * Seoul National University（首尔国立大学） 纠错

专题命中 NeRF ：NeRF(title,title_cn)；novel view synthesis(abstract)；分类 cs.CV

AI总结 针对少样本NeRF中稀疏视图导致的过拟合和伪影问题，提出基于球面的射线增强方法，通过一致性掩码过滤不一致射线，结合定制损失函数减少浮点伪影和视觉失真，在多个数据集上优于现有方法。

Comments Accepted to IJCAI 2026

Endo-NeRF++: Uncertainty-Aware Neural Rendering with Multi-Resolution Hash Encoding for Dynamic Surgical Scene Reconstruction

Endo-NeRF++：面向动态手术场景重建的不确定性感知神经辐射场，采用多分辨率哈希编码

Gousia Habib, Laura Ruotsalainen

专题命中 NeRF ：NeRF(title,title_cn)；分类 cs.CV

AI总结 本研究提出Endo-NeRF++框架，采用多分辨率哈希编码等技术提升动态手术场景重建精度，其不确定性引导自适应采样在机器人手术视频实验中获多项指标提升。

To View Transform or Not to View Transform: NeRF-based Pre-training Perspective

视图变换还是不视图变换：基于NeRF的预训练视角

Hyeonjun Jeong, Juyeb Shin, Dongsuk Kum

机构 * KAIST（韩国科学技术院） 纠错

专题命中 NeRF ：NeRF(title,title_cn)；分类 cs.CV

AI总结 提出NeRP3D检测器，避免视图变换与NeRF的冲突先验，保留预训练NeRF网络，实现连续3D表示学习，在nuScenes上提升场景重建和检测性能。

Comments The Fourteenth International Conference on Learning Representations (ICLR'26)

PanDORA: Casual HDR Radiance Acquisition of Indoor Scenes for Image-based Lighting

PanDORA: 用于基于图像的照明的室内场景因果高动态范围辐射获取

Mohammad Reza Karimi Dastjerdi, Dominique Tanguay-Gaudreau, Frédéric Fortier-Chouinard, Yannick Hold-Geoffroy, Nima Kalantari, Jean-François Lalonde

机构 * Université Laval（洛瓦尔大学） ； Adobe（Adobe公司） ； Texas A&M University（德克萨斯农工大学） 纠错

专题命中 NeRF ：NeRF(summary_cn,abstract)；novel view synthesis(abstract)；分类 cs.CV

AI总结 PanDORA通过双摄像头和NeRF算法高效获取高动态范围辐射数据，提升室内场景真实光照重建效果。

Comments Accepted at ICCP 2026. Selected for PAMI Special Issue

A Unified Theory of Sinusoidal Activation Families for Implicit Neural Representations

隐式神经表示的正弦激活函数族统一理论

Alireza Morsali, MohammadJavad Vaez, Mohammadhossein Soltani, Amirhossein Kazerouni, Babak Taati, Morteza Mohammad-Noori

机构 * McGill University（麦吉尔大学） ； University of Melbourne（墨尔本大学） ； ARC Centre of Excellence for the Mathematical Analysis of Cellular Systems (MACSYS)（细胞系统数学分析卓越中心（MACSYS）） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； University Health Network（大学健康网络） ； University of Tehran（塔里斯坦大学） 纠错

专题命中 NeRF ：NeRF(summary_cn,abstract)；分类 cs.CV

AI总结 提出STAF框架，通过可学习振幅、频率和相位的傅里叶式激活函数，理论分析其表达能力、NTK谱变化及初始化，实验证明在图像、音频、形状、逆问题和NeRF任务中优于或匹敌现有方法。

Comments Published in TMLR

3D Scene Generation: A Survey

3D场景生成：一项综述

Haozhe Xie, Beichen Wen, Zhaoxi Chen, Fangzhou Hong, Ziwei Liu

机构 * S-Lab, Nanyang Technological University, Singapore（南洋理工大学S实验室） 纠错

专题命中 NeRF ：NeRF(abstract,abstract_cn)；3D vision(abstract)；分类 cs.CV

AI总结 本综述系统梳理3D场景生成的四大范式方法，分析其技术基础与挑战，展望物理感知生成等方向，为该领域发展提供参考。

Comments Accepted by IJCV. Project Page: https://github.com/hzxie/Awesome-3D-Scene-Generation

BathyFacto: Refraction-Aware Two-Media Neural Radiance Fields for Bathymetry

BathyFacto：考虑折射的双介质神经辐射场用于水深测量

Markus Brezovsky, Anatol Günthner, Frederik Schulte, Lukas Winiwarter, Boris Jutzi, Gottfried Mandlburger

机构 * Department of Geodesy and Geoinformation, TU Wien（维也纳技术大学测绘与地理信息系） ； Institute of Photogrammetry and Remote Sensing (IPF), Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院测绘与遥感研究所） ； Unit of Geometry and Surveying, University of Innsbruck（因斯布鲁克大学几何与测绘单位） 纠错

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

AI总结 BathyFacto通过整合Nerfacto，利用折射-aware的双介质神经辐射场技术，提高水下点云的测量精度，解决了水面折射带来的系统性深度偏差问题。

Comments 16 pages, 8 figures, 3 tables. Submitted to ISPRS Open Journal of Photogrammetry and Remote Sensing, Special Issue "3D Underwater Mapping from Above and Below"

RehearsalNeRF: Decoupling Intrinsic Neural Fields of Dynamic Illuminations for Scene Editing

RehearsalNeRF：解耦动态光照的内在神经场以实现场景编辑

Changyeon Won, Hyunjun Jung, Jungu Cho, Seonmi Park, Chi-Hoon Lee, Hae-Gon Jeon

机构 * Gwangju Institute of Science and Technology（光州科学技术院） ； Yonsei University（延世大学） ； CJ Corporation（CJ集团） 纠错

专题命中 NeRF ：novel view synthesis(abstract)；分类 cs.CV

AI总结 RehearsalNeRF通过利用稳定光照下的场景数据，解耦动态光照下的场景辐射，提升动态光照下的视图合成和场景编辑性能。

Comments Accepted to the International Journal of Computer Vision (IJCV). Changyeon Won and Hyunjun Jung contributed equally to this work

From Pixels to Portraits: A Comprehensive Survey of Talking Head Generation Techniques and Applications

从像素到肖像：会说话头像生成技术与应用的全面综述

Shreyank N Gowda, Dheeraj Pandey, Shashank Narayana Gowda

专题命中 NeRF ：NeRF(abstract)；分类 cs.CV

AI总结 综述会说话头像生成技术，将文献分为四类方法并讨论其技术思想等。分析定量指标与感知质量差距，比较公开模型，研究新兴趋势，确定开放挑战，为从业者提供领域地图，突出相关技术和社会问题。

Adaptive Time-step Training for Enhancing Spike-Based Neural Radiance Fields

用于增强基于脉冲的神经辐射场的自适应时间步长训练

Ranxi Lin, Canming Yao, Jiayi Li, Weihang Liu, Xin Lou, Pingqiang Zhou

机构 * School of Information Science and Technology, ShanghaiTech University（信息科学与技术学院，上海科技大学） ； Guangdong Institute of Intelligence Science and Technology（广东智能科学与技术研究院） 纠错

专题命中 NeRF ：NeRF(abstract)；分类 cs.CV

AI总结 研究针对基于脉冲的神经辐射场模型固定推理时间步长效率低的问题，提出PATA框架，通过参数化目标推理时间步长并两阶段训练，结合多种策略降低推理成本并保持渲染质量。

Real-time 3D Visualization of Radiance Fields on Light Field Displays

光场显示上辐射场的实时3D可视化

Jonghyun Kim, Cheng Sun, Michael Stengel, Matthew Chan, Andrew Russell, Jaehyun Jung, Wil Braithwaite, David Luebke, Shalini De Mello

专题命中 NeRF ：Gaussian Splatting(abstract)；分类 cs.GR

AI总结 针对光场显示需要多视角高分辨率渲染而辐射场计算密集的问题，提出统一高效框架，通过共享中间扫描平面单次合成密集光场视图，实现实时渲染（200+ FPS），速度提升22倍。

Comments 19 pages, 14 figures. J. Kim, C. Sun, and M. Stengel contributed equally

SkipGS: Post-Densification Backward Skipping for Efficient 3DGS Training

SkipGS: 用于高效3DGS训练的后致密化反向跳过

Jingxing Li, Yongjae Lee, Deliang Fan

机构 * Arizona State University（亚利桑那州立大学） 纠错

专题命中 Gaussian Splatting ：3DGS(title,title_cn)；NeRF(abstract,abstract_cn)；Gaussian Splatting(abstract)；分类 cs.CV

AI总结 针对3DGS训练后致密化阶段反向传播冗余问题，提出视图自适应反向门控机制SkipGS，通过跳过损失稳定的视图反向传播，在保持重建质量的同时减少42%后致密化时间，端到端训练加速23.1%。

Comments Code is available at https://github.com/ASU-ESIC-FAN-Lab/SkipGS

MVGS: Multi-view Regulated Gaussian Splatting for Novel View Synthesis

MVGS：多视图调控的高斯泼溅用于新视角合成

Xiaobiao Du, Yida Wang, Xin Yu

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；novel view synthesis(title)；NeRF(abstract,abstract_cn)；3DGS(abstract,abstract_cn)

AI总结 提出多视图调控的3D高斯泼溅优化方法，通过多视图训练策略、跨内参引导、交叉射线致密化和多视图增强致密化，解决单视图过拟合问题，提升新视角合成质量和3D几何精度。

Comments ECCV2026, Project Page:https://xiaobiaodu.github.io/mvgs-project/

FGGS-LiDAR: Ultra-Fast, GPU-Accelerated Simulation from General 3DGS Models to LiDAR

FGGS-LiDAR：从通用3DGS模型到LiDAR的超快速GPU加速仿真

Junzhe Wu, Yufei Jia, Yiyi Yan, Zhixing Chen, Tiao Tan, Zifan Wang, Guangyu Wang, BoKui Chen, Guyue Zhou

机构 * Tsinghua University, Shenzhen, China（清华大学深圳研究院） ； Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； DISCOVER Robotics ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院（AIR）） 纠错

专题命中 Gaussian Splatting ：3DGS(title,title_cn)；Gaussian Splatting(abstract)；分类 cs.RO

AI总结 提出FGGS-LiDAR框架，通过体积离散化和TSDF提取将预训练3DGS资产转换为水密网格，结合GPU加速光线投射实现超500 FPS的LiDAR仿真，在并行设置中比Isaac Sim低一个数量级延迟。

A Survey on 3D Gaussian Splatting Applications: Segmentation, Editing, and Generation

3D高斯泼溅应用综述：分割、编辑与生成

Shuting He, Peilin Ji, Yitong Yang, Changshuo Wang, Jiayi Ji, Yinglin Wang, Henghui Ding

机构 * Shanghai University of Finance and Economics（上海财经大学） ； University College London（伦敦大学学院） ； Xiamen University（厦门大学） ； Fudan University（复旦大学） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；3DGS(abstract,abstract_cn)；NeRF(abstract,abstract_cn)；novel view synthesis(abstract)

AI总结 综述3D高斯泼溅在分割、编辑和生成三大任务中的应用，总结代表性方法、监督策略和学习范式，并分析公共基准上的比较结果。

Comments IEEE TPAMI, GitHub Repo: https://github.com/heshuting555/Awesome-3DGS-Applications

Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, 2026

Direct Object-Level Reconstruction via Probabilistic Gaussian Splatting

通过概率高斯溅射实现直接的对象级重建

Shuai Guo, Ao Guo, Junchao Zhao, Qi Chen, Yuxiang Qi, Zechuan Li, Dong Chen, Mingliang Xu

专题命中 Gaussian Splatting ：3DGS(summary_cn,abstract)；Gaussian Splatting(title,abstract)；3D reconstruction(abstract)；分类 cs.CV

AI总结 本文提出一种基于2D高斯溅射的高效单对象3D重建方法，通过整合前景-背景概率提示和动态剪枝低概率高斯，提升内存和计算效率，实验表明其在遮罩误差下具有强自修正能力，重建质量接近标准3DGS方法，但高斯数量仅为1/10。