SCoPE-Reg:通过状态空间相关与闭式位姿估计实现高效刚性超声切片到体积配准
SCoPE-Reg 模型结合双输入状态空间交互、稠密三维坐标预测及无参加权 Kabsch 估计,在 CAMUS 和μ-RegPro数据集上实现0.73mm与2.27mm的平均目标配准误差。该模型参数固定为649万且独立于分辨率,在512²分辨率下维持51 FPS推理速度,显著优于现有基线方法。论文已获WACV 2027录用,代码与权重通过提供的链接开放获取。
SCoPE-Reg 模型结合双输入状态空间交互、稠密三维坐标预测及无参加权 Kabsch 估计,在 CAMUS 和μ-RegPro数据集上实现0.73mm与2.27mm的平均目标配准误差。该模型参数固定为649万且独立于分辨率,在512²分辨率下维持51 FPS推理速度,显著优于现有基线方法。论文已获WACV 2027录用,代码与权重通过提供的链接开放获取。
该论文提出 WNM-3D,这是一个用于连续视觉语言导航(VLN)任务的生成式世界导航模型。它利用冻结的前馈几何编码器从单目 RGB 历史中提取跨视图表示,并通过可训练的 3D 场景到 Token 适配器将其转换为固定长度的场景前缀,供世界动作扩散 Transformer 使用。
该研究定义了位置可用性、分组误差结构等五项基准任务,评估数字表面模型辅助定位中的观测质量。方法结合图像与地图敏感度及配置子集二阶矩进行校准,在包含所有定位失败的条件下,将归一化位置更新风险平均降低 7.70%(728 种工况)和 5.46%(142 种独立先验工况)。论文提交至 IEEE 期刊,导航收益与真实时间累积效应尚未测试。
该论文重新审视 3D 高斯泼溅中的外观建模角色,指出低阶球谐基限制了方向反射效果且导致冗余。作者提出 NRF-GS,用共享全局场景级 MLP 预测基于视角、距离和特征的高频残差,结合漫反射基础色与神经残差场。该方法在 specular 区域显著提升高频细节表现,同时减少高斯数量最多达 50%,渲染质量相当或更优。论文已被 NeurIPS 2026 接收。
针对现有前馈模型在多视图立体(MVS)中存在的几何畸变问题,本文提出将 MVS 重构为序列到序列任务的新方法。通过引入基于射线的图嵌入和统一的全局代价体,该方法能联合预测所有输入视图的几何结构并显式利用相机参数先验。实验表明其在多个公开基准上优于传统 MVS 和前馈重建基线。该论文已被 NeurIPS 2026 接收。
GeoCond 是一种轻量级可靠性适配器,通过读取几何条件线索与骨干网络稳定性信号,输出位姿级不确定性及 refinement gate。在 VGGT 模型上,该方法将户外场景的 OOD AUSE 从 0.32 降至 0.20,避免了统一应用 bundle adjustment 导致的性能坍塌。该研究已接受发表于 WACV 2027,代码与权重开放许可。
针对非刚性点云配准中粗匹配选择区域导致有效对应关系丢失的问题,本文提出 BridgeMatch 框架。该方法利用扩散模型估计粗粒度匹配矩阵,并通过几何条件的传输桥将其提升至细粒度源矩阵进行分数细化。实验在 4DMatch、4DLoMatch、CAPE 和 DeepDeform 数据集上验证了其在变形与部分可见性场景下的配准精度提升及跨域迁移能力。
该研究通过体素级评估框架,发现高世界空间一致性可能掩盖观测支持不足导致的时序不一致。实验基于 UAVid-3D-Scenes 数据集,在两种分割骨干网及不同体素分辨率下均证实:持久性分层分析能更准确反映累积证据下的语义分歧。论文已接受发表于 ICVGIP 2026,为长视界语义可靠性评估提供了超越图像级预测的新范式。
论文 VidParse 提出一种无需训练的活动理解框架,通过冻结基础模型提取特征并构建时序相似性矩阵来识别语义转换,利用图搜索解码器强制有效动作过渡,从而在复杂多步任务中实现高达 10 倍的精度提升。材料为 arXiv 预印本,已获 ECCV 2026 接收,提供了 GTEA 数据集的评测结果及代码实现细节。
作者发布了 Ego-OSCAR,这是一个基于商品化零件和 3D 打印的低成本(约 200 美元)开源头显采集平台。系统集成了硬件同步的全局快门双目相机与 6 轴 IMU,通过嵌入式 Linux SBC 进行端侧编码,并利用微控制器实现亚毫秒级时钟域桥接与故障监控。
ViP-Rig 是一种通过注入用户手绘或编辑的二维骨骼及刚性提示来支持提示优先绑定和结果引导编辑的视觉提示框架。该框架包含骨骼生成与蒙皮预测两阶段,将提取的特征注入冻结预训练主干以控制关节布局并保留几何先验。在 Articulation-XL2.0 数据集上的实验表明,ViP-Rig 在提示引导下比基于几何的条件基线更准确地恢复目标骨骼和蒙皮权重。
RadLoc 提出一种端到端雷达全局定位管线,通过 1D CA-CFAR 滤波加速预处理并设计紧凑描述符。在 5 个数据集共 15 序列实验中,该方法保持最小描述符尺寸与最快检索时间,适用于 SLAM 及多会话系统。补充材料已公开,论文将投稿至 2026 IEEE/RSJ IROS 会议。
论文提出了 CylindTrack 框架,旨在解决移动机器人全景视觉中的坐标不连续与深度估计波动问题。该方法通过联合建模全景拓扑结构与时间深度一致性,包含深度 - 时序轨迹建模、球面时空一致性学习及拓扑感知圆柱运动模型三个核心模块。
针对单目视频重建动态场景时运动约束不足的问题,该方法提出含时变均值与协方差的运动表达型 4D 高斯表示。通过解析微分获取高斯速度并引入 Flow Splatting 渲染光流以兼顾相机运动,联合建模外观与运动。在 DAVIS 和 NVIDIA Dynamic Scenes 数据集上验证了该方案在挑战性单目设置下重建质量与效率的有利权衡。
该流水线利用四枚 ArUco 标记角点与深度图查找表,将消费级相机 RGB 图像与单次 HSI 采集自动融合为 3D 超光谱点云。在两个离体保乳手术标本上验证,其中位 3D 配准误差低于 1 mm、2D 重投影误差低于 0.02 mm,加速硬件处理单标本耗时不足 4 分钟。结果支持将 HSI 引导的空间定位整合进术中切缘评估流程。
该方法提出一种传感器引导的自适应对比学习框架,利用训练时特权 LiDAR 数据预训练视觉编码器以捕捉导航相关结构。部署时智能体仅依赖单目 RGB、目标位置及本体信号,无需 LiDAR 即可在室内外高保真仿真中显著提升跨场景策略迁移能力。研究已公开多模态数据集与代码,论文已被 IEEE Robotics and Automation Letters (RA-L) 接收。
VisHarness 是一个可训练的视觉智能体,旨在解决现有专用视觉模型难以兼顾复杂语言理解与小物体感知的问题。该工作提出将高层感知、推理与决策同底层任务执行解耦,通过轻量训练让 VisHarness 学会调度一组精心设计的异构视觉专家,从而在多样化场景中完成基础视觉任务。
BitC-3DGS 提出一种位压缩框架,将多个信息比特编码至单个语义 token,突破预训练文本编码器因 CLIP 固定上下文限制导致的 77-bit 消息容量瓶颈。
针对毫米波雷达张量含环境杂波且单帧仅观测部分体表的问题,该研究提出两阶段框架:信号级分离阶段通过粗到细定位和体素分割隔离人体相关体素;结构级重建阶段利用双分支网络联合建模每帧形状与帧间运动以恢复人体。实验显示该方法相比最强基线网格误差降低最高 9.1%,参数量减少超 10 倍。论文已被 WACV'27 接收,代码可通过链接获取。
论文指出光优化高斯泼溅特征场因体积效应导致像素到点映射多对一,且存在缺乏多视图一致性的冗余高斯,从而破坏基于 PnP 的姿态估计。为此提出 SplitGS-Loc 框架,通过混合高斯拆分将模糊的多对一关系转化为精确的一对一对应,并利用光栅化权重筛选跨视图贡献显著的高斯以聚合判别性特征。实验表明该方法无需每场景训练或迭代姿态细化即可实现稳定收敛与基准竞争力,代码已开源。
该论文针对生成式运动预测需同时满足高精度、多模态未来及严格低延迟的挑战,提出局部传输条件化策略。模型在 Waymo Open Motion Dataset 上实现了最先进的 Soft mAP (0.4804) 和 mAP (0.4703),推理速度达 75 FPS。代码与预训练模型将在论文被接收后发布。
针对室内环境缺乏空间智能基础设施及小尺寸安全关键特征识别难的问题,该研究提出 INSIGHT 零目标域标注流程,通过注册 RGB-D 数据将2D图像理解投影至3D度量空间。
IMU4D 框架利用耳机、手表或手机等少数可穿戴惯性传感器,无需相机即可恢复人体运动及周围物体状态。实验表明,该模型在多样数据集上比当前最佳级联流水线结果更连贯且时间稳定性更高。研究证明仅凭穿戴式运动传感器即可支持对人机交互的 4D 理解。
DC-ViT 提出解耦自注意力和解耦聚合机制,解决多通道成像中特征稀释问题。实验在三个基准数据集上验证了该方法优于现有 MC-ViT 方案。代码已开源,预印本发布于 arXiv。
AMR-Net 融合 ResNet、ViT 与 FAISS 模块,在废物分类及 KolektorSDD2 数据集上分别达到 97.15% 和 99.80% 准确率。该架构通过自适应扩展机制解决数据不可预测性与类别不平衡问题,显著优于主流卷积与 Transformer 方法。
论文提出 GSVC,一种基于 2D 高斯泼溅的视频编解码器,利用时间冗余和残差量化实现高效压缩。该方法通过区分锚帧与传播帧、随机添加高斯点及两遍编码策略提升质量,渲染速度达 1500 fps(1920x1080),性能对标 AV1 和 VVC。材料为 arXiv 预印本,非同行评审成果。
该研究介绍了一种名为 TTC 的在线 3D 检测系统,旨在通过多种辅助反馈在推理阶段即时纠正错误,无需重新训练即可提升已部署自动驾驶系统的安全性。系统核心是配备了一个由视觉提示词驱动的在线适配器(OA)模块,利用与 2D 检测结果不匹配、道路描述或用户点击等辅助信息生成针对感兴趣物体的图像化描述。
针对现有对抗攻击存在源对过拟合问题,该研究提出利用马氏距离引导梯度优化与注意力过滤多目标进化搜索的 Transferable Multiform Attack 框架。实验在跨模态 ReID 基准及未见域设置下验证了该方法兼具强攻击有效性与提升泛化能力的效果。代码与数据许可状态未明确说明,论文当前为 arXiv 预印本版本。
GREEDA 是一种针对生物成像领域不完整与稀疏多图匹配问题的通用方法,能适配不同成本阶范式。在基于 30 条线虫图像的中规模任务中,GREEDA 仅需 2 分钟即可产出高质量解,而竞品至少需一小时且效果较差;在小规模稠密问题上,其速度比领先方法快一个数量级并保持同等精度。该方法已开源于 arXiv:2406.18215v3,旨在支持大规模生物成像研究。
该论文提出了 AdalReID 框架,旨在解决传统行人重识别(ReID)在跨时间、跨地点数据集上持续学习时面临的灾难性遗忘问题。方法采用增量构建领域特定知识适配器,并结合参数无关的自动选择机制,根据输入集与适配器的知识相似度动态选择并融合适配器以增强泛化能力。
论文介绍 MUG(Multi-hUman Graph Network),该方法仅使用单目图像中的 2D 姿态即可构建连贯的多人 3D 网格表示,无需依赖实验室收集的带精确 3D 标签的数据集。
Uncertainty-aware Feedback Loop Diagnosis (UFLD) 提出一种利用强化学习进行自适应测量采集并输出预测不确定性的新算法,无需额外置信度估计网络。该方法在 MixedWM38 数据集上验证,相比现有方法将采集时间缩短约 40%,检测准确率提升至 98.4%。
Greenscapes 提出一种在三维城市场景中放置从灌木到大树植被的新方法,利用条件视觉语言模型生成俯瞰渲染图并转换为 3D 场景。该方法通过确定性可行性修复固定位置后,使用 CMA-ES 优化实例尺度变换及离散植被资产替换,结合阴影与声学暴露代理模型定义目标函数。最终实现了兼顾美学风格(正式、现代主义、如画式)与功能角色(遮阴、碳汇、声屏障)的城市景观布局生成。
针对智能手机室内定位中行人 dead reckoning 积累的航向漂移、结构过渡及携带模式变化误差,本文提出一种由数据与模型共同驱动的分层多传感器上下文识别框架。
Eric Verbeke 提出一种基于切片最优传输的算法,将体素化三维密度图转化为单位球中心截面的一维分位数张量。该方法利用欧氏距离近似切片 2-Wasserstein 距离,兼容现有快速体素欧氏对齐算法。理论与数值实验证实该指标在比较三维形状及计算刚性配准时具有鲁棒性。
该研究提出一种基于对数梯度的相对梯度算子,通过经典梯度核与逐点除法两步实现,在 BSDS500 基准上以相同高斯平滑匹配 Canny 的 ODS 并领先 OIS 和 AP。实验显示最佳成员为小指数中间值,虽未在全量测试集复制单阈值优势且非最优端点,但提供了全局强度缩放不变性而非新 SOTA。
本文介绍 3DCodeEdit 基准,涵盖对 108 个 Blender 程序的 2592 项指令引导编辑任务,评估范围从参数调整到结构变更、风格重设计与场景构图。
该方法将地图匹配建模为链式因子图推理,利用前向 - 后向算法在 Renfrew_395 地图上合成试验中取得中位位置误差 32.7 m,优于惯性漂移。相比扩展卡尔曼滤波和粒子滤波,其误差分别降低 47% 且无需蒙特卡洛采样。段级香农熵还能以 10% 虚警率检测出超过两格地图单元的错误航段。
针对机场等复杂场景下行李重识别任务,现有方法在遮挡与杂乱背景中性能受限。本研究提出端到端流水线策略,融合多视频流视角以应对频发的遮挡与拥挤环境。团队基于真实世界采集的基准数据集评估了不同视图选择、合并及跨环境训练方案,旨在提升实际部署中的整体识别效果。
论文介绍 L3G-World 模型,利用 Latent 3D Gaussian Memory 结合前馈重建效率与紧凑场景表示,通过记忆更新器与视频扩散 Transformer 交替自回归生成空间一致的世界。