自动驾驶

ROVR-Open-Dataset: A Large-Scale Depth Dataset for Autonomous Driving

ROVR-Open-Dataset: 一个大规模深度数据集用于自动驾驶

Xianda Guo, Ruijun Zhang, Yiqun Duan, Ruilin Wang, Matteo Poggi, Keyuan Zhou, Wenzhao Zheng, Wenke Huang, Gangwei Xu, Yanlun Peng, Yuan Si, Qin Zou

机构 * Wuhan University（武汉大学） ； Institute of Automation, Chinese Academy of Sciences (CASIA)（中国科学院自动化研究所） ； University of Technology Sydney（悉尼大学） ； University of Bologna（博洛尼亚大学） ； Zhejiang University（浙江大学） ； University of California, Berkeley（加州大学伯克利分校） ； Huazhong University of Science and Technology（华中科技大学） ； Great Wall Motor（长城汽车） ； ROVR Labs, Inc.（ROVR实验室） 纠错

专题命中 感知 ：autonomous driving(title,abstract)；LiDAR(abstract)；分类 cs.CV

AI总结 本文提出ROVR-Open-Dataset，一个大规模、多样化且成本效益高的深度数据集，用于提升自动驾驶中空间感知的能力，通过提供丰富的场景、光照和天气条件数据，以及经过验证的地面真实数据，支持鲁棒的模型训练，并识别出当前架构共享的三种失败模式。

VLM-AutoDrive: Post-Training Vision-Language Models for Safety-Critical Autonomous Driving Events

VLM-AutoDrive: 事后训练视觉-语言模型用于安全关键的自动驾驶事件

Mohammad Qazim Bhat, Yufan Huang, Niket Agarwal, Hao Wang, Michael Woods, John Kenyon, Tsung-Yi Lin, Xiaodong Yang, Ming-Yu Liu, Kevin Xie

机构 * NVIDIA 纠错

专题命中 感知 ：autonomous driving(title,abstract)；分类 cs.CV、cs.AI

AI总结 本文提出VLM-AutoDrive框架，通过整合元数据生成的描述、LLM生成的描述、视觉问答对和推理监督，提升预训练视觉语言模型在安全关键自动驾驶事件中的检测性能。

Comments 16 pages, 9 figures, submitted to arXiv

RGB-only Active 3D Scene Graph Generation for Indoor Mobile Robots

仅RGB的主动3D场景图生成用于室内移动机器人

Giorgia Modi, Davide Buoso, Giuseppe Averta, Daniele De Martini

机构 * Mobile Robotics Group (MRG)（移动机器人小组） ； Visual and Multimodal Applied Learning Lab (VANDAL)（视觉与多模态应用学习实验室） 纠错

专题命中 感知 ：LiDAR(abstract,abstract_cn)；分类 cs.RO、cs.CV、cs.AI

AI总结 本文提出了一种仅使用RGB输入的主动3D场景图生成方法，通过统一感知与规划的结构化表示，解决了传统方法对专用传感器的依赖问题，并在Replica数据集上验证了其有效性。

Mono-Hydra++: Real-Time Monocular Scene Graph Construction with Multi-Task Learning for 3D Indoor Mapping

Mono-Hydra++: 基于多任务学习的实时单目场景图构建用于3D室内映射

U. V. B. L. Udugama, George Vosselman, Francesco Nex

机构 * Department of Earth Observation Science, University of Twente（特文特大学地球观测科学系） 纠错

专题命中 感知 ：LiDAR(abstract,abstract_cn)；分类 cs.RO、cs.CV

AI总结 本文提出Mono-Hydra++，一种基于多任务学习的实时单目RGB加IMU流水线，用于3D室内度量语义映射和分层3D场景图构建，通过结合M2H-MX多任务模型和深度特征视觉惯性里程计前端，实现了在资源受限的机器人平台上无需主动深度传感器的实时度量语义映射和场景图构建。

Comments Submitted to ISPRS Journal of Photogrammetry and Remote Sensing. 50 pages, figures and tables included. Code: https://github.com/BavanthaU/mono-hydra-pp.git

VGGT-CD: Training-Free Robust Registration for 3D Change Detection

VGGT-CD：无训练的鲁棒三维变化检测注册

Wei Zhang, Songhua Li, Yihang Wu, Qiang Li, Qi Wang

机构 * Northwestern Polytechnical University（西北工业大学） 纠错

专题命中 感知 ：autonomous driving(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出VGGT-CD方法，通过解耦跨时间注册与动态变化干扰，实现无训练的鲁棒三维变化检测注册，有效减少轨迹误差并提升注册速度。

Comments 13 pages, 5 figures. Code is available at: https://github.com/WZ-CS/VGGT-CD

Unleashing the Representational Power of Fourier Shapes for Attacking Infrared Object Detection

释放傅里叶形状的表示能力以攻击红外目标检测

Yixing Yong, Jian Wang, Ming Lei, Lijun He, Fan Li

机构 * School of Information and Communications Engineering, Faculty of Electronic and Information Engineering, Xi'an Jiaotong University, Xi'an, China（信息与通信工程学院，电子与信息工程学院，西安交通大学，西安，中国） ； School of Physics, Xi'an Jiaotong University, Xi'an, China（物理学院，西安交通大学，西安，中国） 纠错

专题命中 感知 ：autonomous driving(abstract)；分类 cs.CV

AI总结 本文提出了一种基于傅里叶形状的红外目标检测攻击方法，通过引入可学习的傅里叶形状，克服了传统形状方法在表示能力和优化能力之间的根本权衡问题，实现了高效的梯度优化生成具有欺骗性的形状，使人类目标逃避检测。

MUSE: Multimodal Uncertainty Quantification of State Estimation

MUSE：多模态状态估计不确定性量化

Minkyung Kim, Henry Che, Bhargav Chandaka, Bhumsitt Pramuanpornsatid, Chengyu Yang, Sheng Cheng, Xiaofeng Wang, Naira Hovakimyan, Shenlong Wang

机构 * Department of Mechanical Science and Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系） ； Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校塞贝尔计算与数据科学学院） ； Department of Electrical Engineering, University of South Carolina（南卡罗来纳大学电气工程系） 纠错

专题命中 感知 ：autonomous driving(abstract)；分类 cs.RO

AI总结 本文提出MUSE，一种基于学习的实时框架，利用Mamba的强效序列建模能力，从多个异步传感器流中估计定位不确定性，提高了状态估计的可靠性和鲁棒性。

Comments Code and dataset: https://github.com/hungdche/MUSE

NORM-Nav: Zero-Shot Mobile Robot Navigation with Natural Language Behavioral Constraints

NORM-Nav: 通过自然语言行为约束实现零样本移动机器人导航

Dongjie Huo, Junhui Wang, Chao Gao, Yan Qiao, Dong Zhang, Guyue Zhou

机构 * College of Information Science and Technology, Beijing University of Chemical Technology（北京化工大学信息科学与技术学院） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院） ； Institute of Systems Engineering and Collaborative Laboratory for Intelligent Science and Systems, Macau University of Science and Technology（澳门大学系统工程与智能科学与系统联合实验室） ； School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动系统学院） 纠错

专题命中 感知 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文提出NORM-Nav框架，通过将自然语言行为约束整合到基于成本图的规划中，提升移动机器人在人类环境中导航的社交适应性，实验表明其在任务成功率和轨迹贴近人类参考方面优于基线方法。

P2GS: Physical Prior-guided Gaussian Splatting for Photometrically Consistent Urban Reconstruction

P2GS: 基于物理先验的高斯点云法用于光度一致的城市重建

Kota Shimomura, Hidehisa Arai, Tsubasa Takahashi, Takayoshi Yamashita, Hironobu Fujiyoshi

机构 * Chubu University（名古屋大学） ； Turing Inc.（图灵公司） 纠错

专题命中 感知 ：autonomous driving(abstract)；分类 cs.CV

AI总结 本文提出P2GS，一种基于物理先验的高斯点云法，用于解决自动驾驶中由于异质相机管道和动态户外照明导致的光度不一致问题，通过联合分解视图不变的线性HDR光场、每视图曝光尺度和色调映射函数，提升光度一致性与光照一致性。

Comments Accepted CVPR2026 main

Thinking with Geometry: Active Geometry Integration for Spatial Reasoning

基于几何的思考：用于空间推理的主动几何整合

Haoyuan Li, Qihang Cao, Tao Tang, Kun Xiang, Zihan Guo, Jianhua Han, JiaWang Bian, Hang Xu, Xiaodan Liang

机构 * Shenzhen campus of Sun Yet-sen University（中山大学深圳校区） ； Yinwang Intelligent Technology Co. Ltd.（云网智能科技有限公司） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai innovation institute（上海创新研究院） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 感知 ：autonomous driving(abstract)；分类 cs.CV

AI总结 本文提出GeoThinker框架，通过主动感知机制改进空间推理，通过空间接地融合和重要性门控实现几何与语义的精准整合，提升空间智能性能。

Compass: SLO-aware Query Planner for Compound AI Serving at Scale

Compass: 一种面向大规模复合AI服务的SLO感知查询计划器

Banruo Liu, Wei-Yu Lin, Minghao Fang, Yihan Jiang, Fan Lai

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 感知 ：autonomous driving(abstract)

AI总结 本文提出Compass，一种首个面向大规模复合AI工作负载的SLO感知查询计划器，通过分解多查询、多SLO规划问题为可处理的子问题，利用查询间和查询内的计划相似性减少搜索步骤，并通过计划分析器提高每步效率，从而在资源竞争下最大化SLO良好吞吐量。

An exponential logarithmic measure of drug receptor binding and saturation

药物受体结合与饱和的指数对数度量

Arturo Tozzi

专题命中 感知 ：occupancy(abstract)

AI总结 本文提出一种整合配体可用性和热力学结合倾向的指数对数描述符，用于描述药物受体结合与饱和的动态范围和敏感性。

Comments 10 pages, 2 figures

GEM: Gaussian Evolution Model for Occupancy Forecasting and Motion Planning

GEM：用于占用预测和运动规划的高斯演化模型

Cheng Chen, Hao Huang, Saurabh Bagchi

机构 * Purdue University（普渡大学） ； New York University Abu Dhabi（纽约大学阿布扎克分校） 纠错

专题命中 规划控制 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.CV

AI总结 该研究提出GEM模型，通过高斯演化模型实现高效的占用预测和运动规划，解决了传统方法在时间灵活性、场景演化和连续时间动态匹配上的不足。

Adaptive Control in Autonomous Driving via Real-Time Recurrent RL

通过实时递归强化学习实现自动驾驶中的自适应控制

Julian Lemmel, Felix Resch, Mónika Farsang, Ramin Hasani, Daniela Rus, Radu Grosu

机构 * TU Wien（维也纳技术大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Liquid AI 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO

AI总结 本文研究了通过实时递归强化学习（RTRRL）对自动驾驶预训练控制策略进行在线微调，结合离线行为克隆与在线RTRRL微调，以适应部署时的分布偏移。在CarRacing模拟和1:10比例的RoboRacer平台上的实验验证了该方法的有效性。

Curb Your Attention: Causal Attention Gating for Robust Trajectory Prediction in Autonomous Driving

抑制注意力：因果注意力门控用于自动驾驶中的鲁棒轨迹预测

Ehsan Ahmadi, Ray Mercurius, Soheil Alizadeh, Kasra Rezaee, Amir Rasouli

机构 * University of Alberta（阿尔伯塔大学） ； Noah’s Ark Laboratory, Huawei Technologies Canada（华为加拿大诺亚实验室） ； Cornell University（康奈尔大学） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO

AI总结 本文提出CRiTIC模型，通过因果发现网络识别agent间因果关系，并引入因果注意力门控机制提升轨迹预测的鲁棒性和泛化能力，实验表明模型在对抗非因果扰动时鲁棒性提升54%。

Comments Accepted ICRA 2025

A regularization method for planar offset curves and bi-offset recognition

平面偏移曲线和双偏移识别的一种正则化方法

Rosanna Campagna, Salvatore Mondrone, Tomas Sauer

专题命中 规划控制 ：autonomous driving(abstract)；trajectory planning(abstract)

AI总结 本文提出了一种正则化方法，用于生成平面轨迹的偏移曲线，并通过同时拟合位置和切线来实现双偏移识别，解决了偏移曲线中的奇异性和自交问题，提高了路径规划和路径平滑的应用效果。

Comments 26 pages, 7 figures, 2 tables

Self-Supervised Bootstrapping of Action-Predictive Embodied Reasoning

基于互联网规模知识的自监督行动预测具身推理

Milan Ganai, Katie Luo, Jonas Frey, Clark Barrett, Marco Pavone

机构 * Stanford（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； NVIDIA（英伟达） 纠错

专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 本文提出R&B-EnCoRe方法，通过自监督细化使模型从互联网知识中自推导具身推理策略，提升动作执行和导航性能，减少碰撞率。

Comments Robotics: Science and Systems (RSS) 2026

DECODE: Domain-aware Continual Domain Expansion for Motion Prediction

DECODE：面向领域的持续领域扩展用于运动预测

Boqi Li, Haojie Zhu, Henry X. Liu

机构 * Department of Civil and Environmental Engineering, University of Michigan（密歇根大学土木与环境工程系） 纠错

专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.RO、cs.CV

AI总结 DECODE提出一种持续学习框架，通过预训练模型逐步扩展领域专用模型，结合超网络和流机制实现高效模型选择与不确定性估计，有效降低遗忘率并提升预测精度。

Comments This work has been published in IEEE TPAMI Early Access

REACT: Environment-Adaptive Architecture for Continuous Formation Navigation of Wheeled Mobile Robots

REACT：面向轮式移动机器人连续编队导航的环境自适应架构

Jianghong Dong, Yifeng Zhang, Jiawei Wang, Mengchi Cai, Keqiang Li, Guillaume Sartoretti

机构 * School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动性学院） ； Department of Mechanical Engineering, National University of Singapore（新加坡国立大学机械工程系） ； Department of Civil and Environmental Engineering, University of Michigan（密歇根大学土木与环境工程系） 纠错

专题命中 规划控制 ：trajectory planning(abstract)；分类 cs.RO

AI总结 本文提出REACT架构，通过集中式编队生成和分布式编队维护相结合的方法，解决轮式移动机器人在复杂环境中编队导航的适应性问题，实现了无轨迹冲突的连续编队导航。

DriveSafer: End-to-End Autonomous Driving with Safety Guidance

DriveSafer: 结合安全指导的端到端自动驾驶

Shounak Sural, Raj Rajkumar

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 端到端驾驶 ：autonomous driving(title,abstract)；end-to-end driving(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出DriveSafer框架，通过减少致命性规划失败来提高端到端自动驾驶的安全性，而非单纯提升平均规划质量。

Bench2Drive-Robust: Benchmarking Closed-Loop Autonomous Driving under Deployment Perturbations

Bench2Drive-Robust: 在部署扰动下闭环自动驾驶的基准测试

Zhiyuan Zhang, Zhenghao Jin, Yanlun Peng, Xianda Guo, Haoran Liu, Shaofeng Zhang, Xingjun Ma, Zuxuan Wu, Junchi Yan, Xiaosong Jia, Yu-Gang Jiang

机构 * Institute of Trustworthy Embodied AI (TEAI)（可信具身人工智能研究院） ； Great Wall Motor（长城汽车） ； Sch. of Computer Science & Sch. of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学计算机学院及人工智能学院） ； School of Computer Science, Wuhan University（武汉大学计算机学院） ； University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 端到端驾驶 ：autonomous driving(title,abstract)；end-to-end driving(abstract)；分类 cs.RO

AI总结 本文提出Bench2Drive-Robust，首个针对闭环端到端自动驾驶在现实部署扰动下的设备中心鲁棒性基准测试，评估了三种主要来源的部署相关扰动对自动驾驶系统的影响，揭示了传统图像级腐蚀评估未能完全捕捉的鲁棒性挑战。

DriveMoE: Mixture-of-Experts for Vision-Language-Action Model in End-to-End Autonomous Driving

DriveMoE：面向端到端自动驾驶的视觉-语言-动作混合专家模型

Zhenjie Yang, Yilin Chai, Xiaosong Jia, Qifeng Li, Yuqian Shao, Xuekai Zhu, Haisheng Su, Junchi Yan

机构 * Sch. of Computer Science & Sch. of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学计算机科学学院与人工智能学院） ； Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身人工智能研究院） ； Shanghai Key Laboratory of Multimodal Embodied AI（上海多模态具身人工智能重点实验室） ； AnyScale AI Project（AnyScale AI项目） 纠错

专题命中 端到端驾驶 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 本文提出DriveMoE，一种基于混合专家架构的端到端自动驾驶框架，通过场景专用的视觉混合专家和技能专用的动作混合专家，实现了对复杂驾驶场景的有效处理，展示了在自动驾驶任务中结合视觉和动作混合专家的有效性。

Comments Accepted by CVPR 2026, Project Page: https://thinklab-sjtu.github.io/DriveMoE/

CLAP: Contrastive Latent-space Prompt Optimization for End-to-end Autonomous Driving

CLAP：用于端到端自动驾驶的对比潜在空间提示优化

Ruiyang Zhu, Yuehan He, Boyuan Zheng, Zesen Zhao, Ahmad Chalhoub, Qingzhao Zhang, Z. Morley Mao

机构 * University of Michigan（密歇根大学） ； University of Arizona（亚利桑那大学） 纠错

专题命中 端到端驾驶 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 本文提出CLAP方法，通过对比潜在空间提示优化解决自动驾驶中罕见但安全关键的长尾场景问题，利用V2X通信获取数据并优化提示，从而提升规划性能。

Comments 9 pages + appendix

Unleashing the Potential of Diffusion Models for End-to-End Autonomous Driving

释放扩散模型在端到端自动驾驶中的潜力

Yinan Zheng, Tianyi Tan, Bin Huang, Enguang Liu, Ruiming Liang, Jianlin Zhang, Jianwei Cui, Guang Chen, Kun Ma, Hangjun Ye, Long Chen, Ya-Qin Zhang, Xianyuan Zhan, Jingjing Liu

机构 * Institute for AI Industry Research (AIR), Tsinghua University（人工智能产业研究院（AIR），清华大学） 纠错

专题命中 端到端驾驶 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI

AI总结 本文通过大规模实车数据和道路测试，系统研究了扩散模型在端到端自动驾驶中的规划能力，提出Hyper Diffusion Planner框架，实现10倍性能提升。

Monocular Open Vocabulary Occupancy Prediction for Indoor Scenes

单目开放词汇占用预测用于室内场景

Changqing Zhou, Yueru Luo, Han Zhang, Zeyu Jiang, Changhao Chen

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；分类 cs.CV

AI总结 该研究提出了一种基于几何的监督方法，用于单目开放词汇室内场景的占用预测，通过引入一种基于Poisson的透明度感知方法和逐步温度衰减调度，提高了几何和语义对齐的稳定性与精度，实验结果显示在Occ-ScanNet数据集上取得了较高的IoU和mIoU指标。

Comments Accepted at CVPR2026 Oral

VGGT-Occ: Geometry-Grounded and Density-Aware Gated Fusion for 3D Occupancy Prediction

VGGT-Occ：基于几何和密度的门控融合用于3D占用预测

Xun Chen, Tianchen Deng, Rui Wang, Fangjinhua Wang, Junyi Ma, Hongming Shen, Hesheng Wang, Danwei Wang

机构 * Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；分类 cs.CV

AI总结 本文提出VGGT-Occ，通过在整个管道中嵌入几何标记，引入投影感知可变形注意力（PA-DA）以注入几何信息，结合视图质量语义门控实现跨视图一致性，采用顺序粗到细解码器与门控融合优化效率和性能，实验证明其在3D语义占用预测中的有效性。

Probabilistic Occupancy Grid for Radio-Based SLAM

基于概率占用网格的无线电SLAM

Xuhong Li, Erik Leitinger, Fredrik Tufvesson, Florian Meyer

专题命中 BEV与占用 ：occupancy(title,abstract)

AI总结 本文提出了一种基于概率占用网格的无线电SLAM框架，用于同时重建几何结构及其无线电相关属性，通过多路径SLAM公式实现移动体定位和环境映射。

Comments 8 pages, 4 figures

Optimising CSRNet with parameter-free attention mechanisms for crowd counting in public transport

通过参数自由注意力机制优化CSRNet以实现公共交通中的人群计数

Aida Rostamza, Enrico Del Re, Joshua Cherian Varughese, Cristina Olaverri-Monreal

机构 * Johannes Kepler University Linz（约翰· Kepler 大学林茨） ； Department Intelligent Transport Systems（智能交通系统部门） 纠错

专题命中 BEV与占用 ：occupancy(abstract)；分类 cs.CV、cs.AI

AI总结 本文研究了参数自由注意力机制在密集场景中的人群计数和密度图估计中的有效性，提出了一种结合PFCA和SA的新型注意力机制PFCASA，并在ShanghaiTech数据集上验证了其在公共交通视频流中的性能。

MR-SLAM: Immersive Spatial Supervision for Multi-Robot Mapping via Mixed Reality

MR-SLAM：通过混合现实实现多机器人地图的沉浸式空间监督

Prakash Aryan, Cem Erdogdu, Kavinaya Kumarchokkappan, Timo Kehrer, Sebastiano Panichella

机构 * University of Bern, Bern, Switzerland（伯尔尼大学） ； AI4I -- The Italian Institute of Artificial Intelligence, Turin, Italy（意大利人工智能研究所） 纠错

专题命中 BEV与占用 ：occupancy(abstract)；分类 cs.RO、cs.AI

AI总结 本文提出MR-SLAM系统，利用混合现实技术实现多机器人SLAM的沉浸式空间监督，通过实时可视化和空间锚定面板提升多机器人定位与建图效率。

Comments Accepted to ICRA 2026 Workshop "MM-SpatialAI Workshop: Multi-Modal Spatial AI for Robust Navigation and Open-World Understanding"

RT-Splatting: Joint Reflection-Transmission Modeling with Gaussian Splatting

RT-Splatting：基于高斯点散布的联合反射-透射建模

Ji Shi, Xianghua Ying, Bowei Xing, Ruohao Guo, Wenzhen Yue

机构 * State Key Laboratory of General Artificial Intelligence（国家一般人工智能重点实验室） ； School of Intelligence Science and Technology（智能科学与技术学院） 纠错

专题命中 BEV与占用 ：occupancy(abstract)；分类 cs.CV

AI总结 本文提出RT-Splatting方法，通过将高斯点的几何占用与光学不透明度分离，实现对半透明表面复杂反射和清晰透射的联合建模，从而在实时渲染中获得高质量的反射和透射效果。

Comments CVPR 2026 Highlight, Project Page: https://sjj118.github.io/RT-Splatting/