3D 视觉

Benchmarking Federated Learning and Knowledge Distillation for Point Cloud Classification

联邦学习与知识蒸馏在点云分类中的基准测试

Aizierjiang Aiersilan

机构 * University of Macau（澳门大学） 纠错

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

AI总结 针对隐私敏感和资源受限场景，联合评估联邦学习与知识蒸馏在3D点云分类中的性能，发现极端非独立同分布标签偏移下联邦学习性能下降，蒸馏可压缩模型且避免标签泄露问题。

Comments We are pleased to announce that this paper has been accepted by the 19th European Conference on Computer Vision (ECCV 2026). We appreciate the valuable feedback from the reviewers and look forward to sharing our findings with the community

Registering the 4D Millimeter Wave Radar Point Clouds Via Generalized Method of Moments

通过广义矩方法配准4D毫米波雷达点云

Xingyi Li, Han Zhang, Ziliang Wang, Yukai Yang, Weidong Chen

机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； Institute of Medical Robotics, Shanghai Jiao Tong University（上海交通大学医疗机器人研究院） ； Department of Statistics, Uppsala University（乌普萨拉大学统计系） 纠错

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

AI总结 针对4D雷达点云稀疏噪声导致配准困难的问题，提出基于广义矩方法的配准框架，无需显式点对应，在合成与真实数据集上精度和鲁棒性优于基准方法，甚至接近激光雷达方法。

Generalized-CVO: Fast and Correspondence-Free Local Point Cloud Registration with Second Order Riemannian Optimization

广义CVO：基于二阶黎曼优化的快速无对应局部点云配准

Ray Zhang, Marcus Greiff, Thomas Lew, John Subosits

机构 * Toyota Research Institute（丰田研究院） 纠错

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

AI总结 提出一种基于几何表面结构和再生核希尔伯特空间嵌入的无对应局部点云配准方法，采用二阶流形优化实现高达10倍加速，在LiDAR和RGB-D跟踪及物体配准中显著降低漂移并提升鲁棒性。

Comments 16 pages, 12 figures

Automatic Interpretation of Unordered Point Cloud Data for UAV Navigation in Construction

无人机在建筑施工中无序点云数据的自动解释

M. D. Phung, C. H. Quach, D. T. Chu, N. Q. Nguyen, T. H. Dinh, Q. P. Ha

机构 * University of Engineering and Technology（工程大学） ； Vietnam National University, Hanoi（越南国家大学河内分校） ； University of Technology Sydney（悉尼技术大学） 纠错

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

AI总结 本文提出了一种数据处理系统，用于自动为无人机生成航路点，以检查建筑和桥梁等结构表面。系统通过两个正交安装的2D激光扫描仪和惯性测量单元的数据，利用数据注册、表面检测和航路生成算法，实现结构点云重建和航路规划。

Comments In The 14th International Conference on Control, Automation, Robotics and Vision, ICARCV 2016

Curve Skeletonization in Continuous domain for Meshes and Point Clouds

网格与点云的连续域曲线骨架化

Jai Bardhan, Ramya Hebbalaguppe, Aravind Udupa

机构 * TCS Research（TCS研究） ； IIT Delhi（德里理工学院） 纠错

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

AI总结 提出CSCD框架，将基于局部分隔符的骨架化方法推广到连续域，通过CSCD-M（网格）和CSCD-PC（点云）两种实现，提升了骨架提取的鲁棒性和拓扑保持能力。

Comments 31 pages, 26 figures, 7 tables, 4 algorithms. Published at IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2026

PointLLM-R: Enhancing 3D Point Cloud Reasoning via Chain-of-Thought

PointLLM-R: 通过链式推理增强3D点云推理

Chaoqi Chen, Qile Xu, Wenjun Zhou, Hui Huang

机构 * Visual Computing Research Center (VCC), College of Computer Science（视觉计算研究中心（VCC），计算机科学学院） ； Software Engineering (CSSE) Shenzhen University China（软件工程（CSSE）深圳大学中国） ； VCC, CSSE Shenzhen University China（VCC，CSSE 深圳大学中国） ； Shenzhen University（深圳大学） 纠错

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

AI总结 本文提出了一种数据驱动的框架，用于构建大规模链式推理监督，以改进3D点云理解。通过两阶段流程优化点文本指令数据，并合成高质量推理路径，构建了包含55K样本的PoCoTI数据集，训练PointLLM-R实现3D多模态语言模型的推理能力，实验表明其在生成3D分类和描述任务中达到最先进的性能。

3DMambaComplete: Exploring Structured State Space Model for Point Cloud Completion

3DMambaComplete：探索结构状态空间模型用于点云补全

Yixuan Li, Weidong Yang, Ben Fei

机构 * Shanghai Key Laboratory of Data Science, School of Computer Science, Fudan University（复旦大学计算机学院数据科学实验室） ； Department of Information Engineering, The Chinese University of Hong Kong（香港中文大学信息工程系） 纠错

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

AI总结 本文提出3DMambaComplete，一种基于Mamba框架的点云补全网络，通过HyperPoint生成、分散和变形模块有效解决点云补全中的局部细节丢失和计算复杂度问题，实验表明其优于现有方法。

Comments 24 pages, 14 figures, 10 tables

Leveraging Previous-Traversal Point Cloud Map Priors for Camera-Based 3D Object Detection and Tracking

利用先前遍历点云地图先验进行基于摄像头的3D物体检测与跟踪

Markus Käppeler, Özgün Çiçek, Yakov Miron, Abhinav Valada

机构 * Department of Computer Science, University of Freiburg（弗赖堡大学计算机科学系） ； Bosch Research, Robert Bosch GmbH（博世研究） 纠错

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

AI总结 本文提出DualViewMapDet框架，通过在线检索先前遍历生成的点云地图先验，提升无LiDAR情况下基于摄像头的3D物体检测与跟踪性能，通过双空间融合策略增强特征表示。

UGD: An Unsupervised Geometric Distance for Evaluating Real-world Noisy Point Cloud Denoising

UGD：一种无监督的几何距离用于评估现实世界噪声点云去噪

Zhiyong Su, Jincan Wu, Yonghui Liu, Zheng Li, Weiqing Li

机构 * School of Automation, Nanjing University of Science and Technology（自动化学院，南京理工大学） ； School of Computer Science and Engineering, Nanjing University of Science and Technology（计算机科学与工程学院，南京理工大学） 纠错

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

AI总结 本文提出UGD，一种无监督几何距离，通过学习清洁点云的先验模型，基于噪声点云评估去噪效果，实验表明其性能与监督方法相当。

Comments to be published in IEEE Transactions on Visualization and Computer Graphics

Horticultural Temporal Fruit Monitoring via 3D Instance Segmentation and Re-Identification using Colored Point Clouds

通过彩色点云进行3D实例分割与重识别的园艺时间水果监测

Daniel Fusaro, Federico Magistri, Jens Behley, Alberto Pretto, Cyrill Stachniss

机构 * University of Padua（帕多瓦大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习和人工智能研究所） 纠错

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

AI总结 本文提出利用彩色点云进行3D水果实例分割与重识别的方法，通过学习模型和注意力匹配网络实现动态果园中水果的准确监测。

Journal ref Computers and Electronics in Agriculture, Volume 247, Pages 111723, 2026

Deep Neural Watermarking for Robust Copyright Protection in 3D Point Clouds

深度神经水印用于3D点云中鲁棒的版权保护

Khandoker Ashik Uz Zaman, Mohammad Zahangir Alam, Mohammed N. M. Ali, Mahdi H. Miraz

机构 * Brunel University of London（伦敦布鲁内尔大学） ； Wrexham University（雷克瑟姆大学） ； University of South Wales（南威尔士大学） 纠错

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

AI总结 本文提出一种基于深度学习的3D点云鲁棒水印框架，通过奇异值分解嵌入二进制水印，利用PointNet++网络在旋转、缩放等攻击下实现高精度水印提取。

Journal ref Print ISSN: 2516-0281, Online ISSN: 2516-029X, pp. 17-30, Vol. 9, No. 4, 1 October 2025

NARVis: Neural Accelerated Rendering for Real-Time Scientific Point Cloud Visualization

NARVis：神经加速渲染用于实时科学点云可视化

Srinidhi Hegde, Kaur Kullman, Thomas Grubb, Leslie Lait, Stephen Guimond, Matthias Zwicker

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） ； NASA（美国国家航空航天局） ； Hampton University（汉普顿大学） 纠错

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

AI总结 NARVis通过神经后处理提升大规模点云渲染效率，实现高速高保真可视化，适用于多维流场和地形扫描。

Beyond Frame-wise Tracking: A Trajectory-based Paradigm for Efficient Point Cloud Tracking

超越帧级跟踪：一种基于轨迹的高效点云跟踪范式

BaiChen Fan, Yuanxi Cui, Jian Li, Qin Wang, Shibo Zhao, Muqing Cao, Sifan Zhou

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

AI总结 本文提出基于轨迹的跟踪范式TrajTrack，通过隐式学习历史轨迹提升跟踪精度，实现高效且鲁棒的3D单目标跟踪。

Comments Acceptted in ICRA 2026

DRIFT: Dual-Representation Inter-Fusion Transformer for Automated Driving Perception with 4D Radar Point Clouds

DRIFT：双表示交叉融合变换器用于自动驾驶感知的4D雷达点云

Siqi Pei, Andras Palffy, Dariu M. Gavrila

机构 * Delft University of Technology（代尔夫特理工大学） ； Perciv AI 纠错

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

AI总结 DRIFT通过双路径架构融合局部和全局上下文信息，提升自动驾驶中4D雷达点云的感知性能，实现更准确的物体检测和道路估计。

SLNet: A Super-Lightweight Geometry-Adaptive Network for 3D Point Cloud Recognition

SLNet：一种轻量级几何自适应网络用于3D点云识别

Mohammad Saeid, Amir Salarpour, Pedram MohajerAnsari, Mert D. Pesé

机构 * Sirjan University of Technology（锡耶扬技术大学） ； Clemson University（克莱姆森大学） 纠错

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

AI总结 SLNet通过轻量级几何自适应网络实现高效3D点云识别，在多个任务中均取得优异性能。

Comments Accepted to the 2026 IEEE International Conference on Robotics and Automation (ICRA 2026)

End-to-End LiDAR optimization for 3D point cloud registration

端到端激光雷达优化用于3D点云配准

Siddhant Katyan, Marc-André Gardner, Jean-François Lalonde

机构 * Université Laval（拉瓦尔大学） ； Bentley Systems（贝恩特系统） 纠错

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

AI总结 本文提出端到端自适应激光雷达框架，通过动态调整参数优化点云配准，提升精度与效率，并在CARLA模拟中验证其优于固定参数方法的性能。

Comments 36th British Machine Vision Conference 2025, {BMVC} 2025, Sheffield, UK, November 24-27, 2025. Project page: https://lvsn.github.io/e2e-lidar-registration/

Through the Perspective of LiDAR: A Feature-Enriched and Uncertainty-Aware Annotation Pipeline for Terrestrial Point Cloud Segmentation

通过LiDAR视角：一种特征丰富且不确定性感知的标注流程用于陆地点云分割

Fei Zhang, Rob Chancia, Josie Clapp, Amirhossein Hassanzadeh, Dimah Dera, Richard MacKenzie, Jan van Aardt

机构 * Chester F. Carlson Center for Imaging Science, Rochester Institute of Technology, Rochester, NY, USA（切斯特·F·卡尔森成像科学中心，罗切斯特理工学院，罗切斯特，纽约州，美国） 纠错

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

AI总结 本文提出一种半自动标注流程，通过球面投影和特征丰富技术提升陆地点云分割的效率与精度，构建了Mangrove3D数据集并验证了特征重要性，为生态监测提供高质量分割方案。

Comments 40 pages (28 main text), 20 figures, 4 supplementary materials; links to 3D point animations are included in the last table

PIRATR: Parametric Object Inference for Robotic Applications with Transformers in 3D Point Clouds

PIRATR：基于变换器的参数化物体推理用于机器人应用的3D点云

Michael Schwingshackl, Fabio F. Oberweger, Mario Niedermeyer, Huemer Johannes, Markus Murschitz

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） 纠错

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

AI总结 PIRATR通过端到端3D点云检测框架，结合变换器实现参数化物体的6自由度姿态和属性估计，适用于机器人应用。

Comments 8 Pages, 11 Figures, Accepted at 2026 IEEE International Conference on Robotics & Automation (ICRA) Vienna

Beyond the Vehicle: Cooperative Localization by Fusing Point Clouds for GPS-Challenged Urban Scenarios

超越车辆：通过融合点云进行协作定位以应对GPS挑战的都市场景

Kuo-Yi Chao, Ralph Rasshofer, Alois Christian Knoll

机构 * Technical University of Munich（慕尼黑技术大学） ； BMW Group（宝马集团） 纠错

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

AI总结 本文提出一种融合点云的协作定位方法，通过多传感器和多模态数据提升GPS不可靠城市环境中的定位精度和鲁棒性。

Comments 8 pages, 2 figures, Driving the Future Symposium 2025

L2M-Reg: Building-level Uncertainty-aware Registration of Outdoor LiDAR Point Clouds and Semantic 3D City Models

L2M-Reg：基于建筑级别的不确定性感知LiDAR点云与语义3D城市模型配准

Ziyang Xu, Benedikt Schwab, Yihui Yang, Thomas H. Kolbe, Christoph Holst

机构 * Chair of Engineering Geodesy, TUM School of Engineering and Design, Technical University of Munich（工程测量学教授会，技术大学慕尼黑工程与设计学院） ； Chair of Geoinformatics, TUM School of Engineering and Design, Technical University of Munich（地理信息学教授会，技术大学慕尼黑工程与设计学院） 纠错

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

AI总结 L2M-Reg提出一种基于平面的精细配准方法，解决建筑级别LiDAR点云与语义3D城市模型配准时的模型不确定性问题，实现更准确高效的配准效果。

Comments Accepted version by ISPRS Journal of Photogrammetry and Remote Sensing

GMOR: A Lightweight Robust Point Cloud Registration Framework via Geometric Maximum Overlapping

GMOR: 一种通过几何最大重叠实现的轻量稳健点云配准框架

Zhao Zheng, Jingfan Fan, Long Shao, Hong Song, Danni Ai, Tianyu Fu, Deqiang Xiao, Yongtian Wang, Jian Yang

机构 * Beijing Engineering Research Center of Mixed Reality and Advanced Display, School of Optics and Photonics, Beijing Institute of Technology（北京混合现实与先进显示工程研究中心，光学与 photonics 学院，北京理工大学） ； Zhengzhou Research Institute, Beijing Institute of Technology（郑州研究院，北京理工大学） ； School of Computer Science and Technology, Beijing Institute of Technology（计算机科学与技术学院，北京理工大学） ； School of Medical Technology, Beijing Institute of Technology（医学技术学院，北京理工大学） 纠错

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

AI总结 GMOR通过仅旋转BnB搜索和几何最大重叠方法，实现高效的点云配准，兼顾精度与效率。

Real-Time LiDAR Point Cloud Densification for Low-Latency Spatial Data Transmission

实时LiDAR点云密集化用于低延迟空间数据传输

Kazuhiko Murasaki, Shunsuke Konagai, Masakatsu Aoki, Taiga Yoshida, Ryuichi Tanida

机构 * NTT Human Informatics Laboratories（NTT人机信息实验室） 纠错

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

AI总结 本文提出了一种基于卷积神经网络的实时LiDAR点云密集化方法，实现低延迟的3D场景生成与深度补全，效率比传统方法快15倍。

Journal ref 19th International Conference on Machine Vision Applications (MVA2025), IEICE Transactions on Information and Systems letter

Dense 3D Displacement Estimation for Landslide Monitoring via Fusion of TLS Point Clouds and Embedded RGB Images

基于TLS点云与嵌入式RGB图像融合的密集3D位移估计用于滑坡监测

Zhaoyi Wang, Jemil Avers Butt, Shengyu Huang, Tomislav Medic, Andreas Wieser

机构 * ETH Zurich, Institute of Geodesy（苏黎世联邦理工学院测绘与摄影测量研究所） ； Atlas optimization GmbH（Atlas优化公司） 纠错

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

AI总结 本文提出一种融合TLS点云与嵌入式RGB图像的粗到细方法，用于高精度滑坡位移估计，实现高空间覆盖度和准确性。

Comments Published in the International Journal of Applied Earth Observation and Geoinformation. 25 pages, 19 figures

Journal ref Int. J. Appl. Earth Obs. Geoinf., Vol. 146, 105093, 2026

Towards Zero-Shot Point Cloud Registration Across Diverse Scales, Scenes, and Sensor Setups

跨多样尺度、场景和传感器设置的零样本点云配准

Hyungtae Lim, Minkyun Seo, Luca Carlone, Jaesik Park

机构 * Laboratory for Information and Decision Systems (LIDS), Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院） ； Department of Computer Science and Engineering, Seoul National University（计算机科学与工程系，首尔国立大学） 纠错

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

AI总结 提出BUFFER-X框架，通过几何自举、分布感知采样和坐标归一化实现零样本点云配准，同时引入BUFFER-X-Lite提升效率，适用于多样场景和传感器设置。

Comments 18 pages, 15 figures. Extended version of our ICCV 2025 highlight paper [arXiv:2503.07940]. arXiv admin note: substantial text overlap with arXiv:2503.07940

PCR-ORB: Enhanced ORB-SLAM3 with Point Cloud Refinement Using Deep Learning-Based Dynamic Object Filtering

PCR-ORB: 基于深度学习的动态物体过滤改进的ORB-SLAM3

Sheng-Kai Chen, Jie-Yu Chao, Jr-Yu Chang, Po-Lien Wu, Po-Chiang Lin

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

AI总结 PCR-ORB通过深度学习优化点云细化，提升动态环境中ORB-SLAM3的定位与建图精度。

Comments 17 pages, 2 figures, 1 table

BUFFER-X: Towards Zero-Shot Point Cloud Registration in Diverse Scenes

BUFFER-X：迈向多样化场景下的零样本点云配准

Minkyun Seo, Hyungtae Lim, Kanghee Lee, Luca Carlone, Jaesik Park

机构 * Laboratory for Information & Decision Systems（信息与决策系统实验室） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

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

AI总结 BUFFER-X通过自适应体素大小、最远点采样和补丁尺度归一化，实现多样化场景下的零样本点云配准，无需先验信息或手动调参。

Comments 20 pages, 14 figures. Accepted as a highlight paper at ICCV 2025

Label-Efficient Point Cloud Segmentation with Active Learning

高效标注点云分割与主动学习

Johannes Meyer, Jasper Hoffmann, Felix Schulz, Dominik Merkle, Daniel Buescher, Alexander Reiterer, Joschka Boedecker, Wolfram Burgard

机构 * Department of Computer Science, University of Freiburg（弗赖堡大学计算机科学系） ； Fraunhofer IPM（弗劳恩霍夫IPM研究所） ； Institute for Sustainable Systems Engineering INATECH, University of Freiburg（可持续系统工程研究所INATECH，弗赖堡大学） ； Department of Computer Science and Artificial Intelligence, University of Technology Nuremberg（技术大学纽伦堡计算机科学与人工智能系） 纠错

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

AI总结 本文提出了一种高效点云分割方法，通过二维网格和网络集成估计不确定性，实现更有效的主动学习。

Point-PNG: Conditional Pseudo-Negatives Generation for Point Cloud Pre-Training

点-PNG：点云预训练中的条件伪负样本生成

Sutharsan Mahendren, Saimunur Rahman, Piotr Koniusz, Tharindu Fernando, Sridha Sridharan, Clinton Fookes, Peyman Moghadam

机构 * School of Electrical Engineering and Robotics, Queensland University of Technology (QUT), Brisbane, Australia（电气工程与机器人学学院，昆士兰理工大学（QUT），布里斯班，澳大利亚） ； School of Electrical Engineering（电气工程学院） ； Robotics, Queensland University of Technology (QUT), Brisbane, Australia（机器人学，昆士兰理工大学（QUT），布里斯班，澳大利亚） ； Australian National University（澳大利亚国立大学） 纠错

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

AI总结 Point-PNG通过生成条件伪负样本，提升点云预训练中对变换的敏感性和判别性表示，实现更丰富的变换线索捕捉。

Comments Accepted for publication in IEEE ACCESS

LLM-Guided Material Inference for 3D Point Clouds

基于大语言模型的3D点云材料推断

Nafiseh Izadyar, Teseo Schneider

机构 * University of Victoria（维多利亚大学） 纠错

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

AI总结 本文提出基于大语言模型的3D点云材料推断方法，通过两阶段推理实现材料属性推断，验证了语言模型在连接几何推理与材料理解中的作用。

Have We Scene It All? Scene Graph-Aware Deep Point Cloud Compression

我们是否已经看到了一切？基于场景图的深度点云压缩

Nikolaos Stathoulopoulos, Christoforos Kanellakis, George Nikolakopoulos

机构 * Robotics and AI Group, Department of Computer, Electrical and Space Engineering, Luleå University of Technology（机器人与人工智能组，计算机、电子与航天工程系，卢勒阿大学技术学院） 纠错

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

AI总结 本文提出基于场景图的深度点云压缩框架，通过语义感知编码和结构化解码实现高效压缩，保留结构和语义信息，并支持多机器人系统中的下游应用。

Comments Please cite published version. 8 pages, 6 figures

Journal ref IEEE Robotics and Automation Letters, vol. 10, no. 12, pp. 12477-12484, 2025