Polarity--Time Interaction and Multi-Level Reliability for Event-Based Spacecraft Pose Estimation
该论文针对稀疏事件响应导致的关节点误差问题,提出一种可靠性感知框架以估计航天器姿态。系统通过三分支表示结合正负事件及时间信息,利用有序语义点头估计对应关系精度,并结合事件边缘与 CAD 投影一致性进行局部姿态优化。
该论文针对稀疏事件响应导致的关节点误差问题,提出一种可靠性感知框架以估计航天器姿态。系统通过三分支表示结合正负事件及时间信息,利用有序语义点头估计对应关系精度,并结合事件边缘与 CAD 投影一致性进行局部姿态优化。
该研究在包含 2,654 个结节的 LIDC-IDRI 队列中对比了不同维度网络,发现增强后的 2.5D 模型测试 Macro-F1 达 0.6537,优于 2D(0.6134±0.0075)和 3D(0.5403)。结果表明预处理与优化差异限制了归因,且标签反映放射科医生评估的恶性风险而非病理确诊。代码与实验结果已在指定 URL 开放。
Hexels 是一种新型平面六边形表面元素,利用局部平直区域和首阶空间色场,在资源受限环境下提升 3D 场景表示效率。该模型在 34 个场景中相比内存匹配的 2DGS 将 PSNR 提高 4.53-7.38 dB,训练 VRAM 更低且帧率快 2.31 倍。
该预印本介绍了 StabBot 系统,利用调优后的摆锤卡尔曼滤波在立体图像中跟踪管道关节,结合 ResNet-18 关键点网络定位三维位置,并通过残差强化学习策略优化抓取。
CTBakeGS 方法将 CT 体积渲染直接转换为 3D 高斯泼溅模型,无需训练即可在普通电脑约一分钟或更短时间内完成。该方法利用自适应八叉树和图形处理器计算颜色与不透明度,六组公开扫描的 PSNR 达 30.1-32.6 dB,转换耗时 4-60 秒,笔记本渲染帧率达 68 FPS。代码与项目页面已开放,适用于交互式医学影像查看。
针对现有无目标标定方法依赖已知内参和校正图像的局限,本文提出一种全自动框架,联合估计相机内参、径向切向畸变及相机-LiDAR 外参。该方法通过合成增强实现内参感知与畸变感知的对应学习,将基于深度对应的标定从校正图像泛化至原始相机。在 KITTI 数据集未见配置及三个真实机器人平台上进行了零样本评估,结果显示联合标定显著提升了外参精度并恢复了准确的内参。
该文提出 ScIntBench 基准,旨在弥补现有 3D 室内场景生成评测在交互时刻物理可靠性评估上的不足。研究者在物理仿真中执行推、开门和表面探测等规定操作,并测量任务成功率、能力进展及交互后完整性。
该论文提出了一种基于模糊逻辑的分层稀疏图(HSG)框架,用于解决事件相机跟踪中的多对多数据关联难题。该方法将轨迹片段视为节点,利用长程运动学指标量化相关性,构建无训练、无需硬阈值的关联模型。在 eTram 和 Ev-UAV 两个挑战性数据集上的实验表明,该方法在多对多场景下各项指标均超过 OC-SORT 两倍以上。
该研究针对事件相机在多目标跟踪中因异步输出导致的单视图歧义问题,提出了无需训练的多视图跟踪框架 MvT。该方法包含多视图投影模块和多视图融合阶段,将事件编码为互补的时空视图并统一至 3D 坐标系进行优化关联。在包括自收集的小物体数据集在内的四个数据集上评估显示,MvT 能有效解决单目歧义且优于现有非学习与学习方法。代码已公开。
TRUCO(Threaded Raster Unrestricted Contour Ownership)提出了一种结合起点所有权规则与推测追踪模型的无锁并行算法,旨在解决高分辨率图像分割后处理中传统串行方法效率低的问题。实验在消费级和服务器级 CPU 上验证,该算法相比行业标准实现了超过一个数量级的加速,并在多样化硬件架构的高分辨率场景下保持了鲁棒的扩展性。
GradCO 通过 B-MoE、COL 和 HIA 三个组件解决文本化行人异常搜索中身份与行为的对齐难题,在五个基准测试上显著超越最先进方法。该方法无需专家特定语义标签即可学习各流角色,利用成对条件卸载锚点降低梯度冲突负担。研究代码或权重暂未提及开放许可,论文状态为 arXiv 预印本(arXiv:2610.37267v1)。
该论文提出 TopoField,一种基于 VOLT 的确定性解码器,用于室内点云的交互式部件功能分割。该方法将测试时前向传播转化为语义共识场,并通过图几何分割与类感知排序生成实例候选。
该报告呈现了在自定义空间数据集上对三维感知视觉问答的两条端到端多模态适配流水线的实现与验证。第一条流水线微调 HiSpatial-3B,将 RGB 观测增强为度量尺度 3D 点图;第二条通过内存高效的 QLoRA 监督微调适配 Qwen3-VL。
针对现有 3D 场景理解流水线存在任务无关数据引入噪声及仅依赖点云缺乏丰富语义信息的局限,本文提出 3D-SceneQ。该方法通过查询引导自适应剪枝模块按需保留关键对象信息,并利用多模态对象级特征增强模块融合预训练模型的 2D 特征以丰富语义表达。评估显示其在 Scan2Cap、SQA3D 等多个基准上优于当前最先进方法,显著提升了场景理解与推理能力。
FastBEVFusion 提出了一种简单快速且鲁棒的 3D 目标检测融合方案,在 nuScenes 数据集上实现超过 50 FPS 的推理速度。该系统基于半对齐 BEV 空间与轻量级交叉注意力模块,无需依赖深度估计即可有效处理 LiDAR 和相机数据。
该论文提出 GCSR-OCC 框架,通过证据守恒高斯到占用算子(EC-G2O)抑制尺度膨胀并校准响应,利用多模式查询优先高斯语义路由(MM-QGSR)匹配文本查询以细化 voxel 级预测。
推荐理由:提出 GCSR-OCC 方法,结合几何校准与语义路由解决开放词汇占用预测问题。
MCP-Net 提出一种以仿真驱动的框架,联合实现从单帧二维 X 射线透视下的冠状动脉血管分割、导丝尖端定位及狭窄病变定位。该框架将预测结果转化为包含中心线、分支角度等结构的血管图,并生成从自动选定的根节点通往目标病变的导航路线图。实验表明,该方法能同时恢复感知目标并将其转换为适合下游机器人导航的可解释血管表示。
针对现有 Gaussian 场景分割方法依赖固定候选集而遗漏细粒度目标的问题,论文提出 SplatScout,这是一种由 VLM 控制的闭环查询驱动方法,能主动选择视角、指导分割并检查渲染结果以迭代优化预测。
TriDifNet 是首个联合优化对齐、融合与检测任务的基于扩散的红外可见光多模态感知网络,旨在解决平台运动导致的图像错位问题。
论文介绍 SceneEvolve 框架,将三维场景表示为可执行代码并通过演化 harness 来改进重建效果。该框架结合参数化原语与语义空间关系构建动作接口,利用强教师模型迭代优化 harness,同时保持模型参数固定。
推荐理由:该工作提出用代码演化框架提升开源模型在三维重建任务上的表现,并实现了对闭源大模型的超越。
论文提出 GraftRay 方法,解决将虚拟网格物体无缝插入 2D 或 3D 高斯泼溅重建场景的问题。该方法利用扩散先验恢复场景材质与法线,显式建模空间扩展光源并求解其辐射度,通过混合渲染器联合路径追踪场景高斯与插入网格,生成视图一致的着色、互反射和软阴影。在 FIPT 基准上,GraftRay 在渲染保真度和阴影准确性方面优于 ComGS 和 EAG-PT 等基线,同时保持具有竞争力的渲染效率。
该研究针对多视图 3D 感知中 VGGT 模型全局注意力计算量大、长序列运行慢的问题,提出了一种无需训练的加速方法 GPA-VGGT。该方法通过用共享跨帧 K/V 集增强的帧注意力替换早期块的全局注意力,并在后续块中仅合并键值对同时保留所有查询,恢复被合并键代表的注意力质量,并将匹配度量随机投影至 128 维以降低计算成本。
推荐理由:提出无需训练的加速方法,在保持高精度几何估计的同时显著降低长序列推理成本。
该论文提出一种新的脊柱 X 射线地标检测方法,将解剖地标检测重构为像素级对比表示学习任务,通过匹配密集像素嵌入与地标原型生成更具判别力的热力图。该方法结合全局配置的可学习形状先验以解决地标位置歧义,在公开 AASCE 数据集及两个私有数据集上,其地标精度和临床参数估计能力均与最先进方法相当。代码与预训练权重已开源。
论文 HoloRecon 针对长序列全景重建中重复结构导致连接困难及前馈模型计算成本高难以保证全局一致的问题,提出结合 ORB 稀疏映射前端与微调前馈模型的框架。
针对单目 RGB 高斯泼溅 SLAM 在有限优化预算下重建质量与响应性不足的挑战,本文提出 LingGS 在线系统。该系统结合学习到的几何先验与显式几何相机跟踪,利用冻结的流式 3D 基础模型作为虚拟 RGB-D 传感器进行深度估计,并通过特征重投影估算相机运动,最终将观测整合为稠密场景表示。
该研究指出当前 ScreenSpot-v2 等基准仅依据点击是否落在标注框内来评分存在缺陷,因为同一操作常由多个元素触发。作者提出以点击后的实际执行结果作为正确性判据,无需新标注即可生成结果地图与执行判决器。
OmniGlimpse 提出一种无需离线场景训练或相机标定的在线多视角身份维护框架,通过分离自适应关联与稳定身份巩固解决跨视图匹配难题。该模型在 M3Track 数据集上相比最佳在线基线提升 9.1 IDF1 和 22.1 CVIDF1 分,在 MvMHAT 上分别提升 20.3 和 26.2 分,且优于离线训练参考。研究证明该方法能在外观变化中适应并巩固可靠证据作为稳定身份锚点。
针对现有非像素对齐高斯泼溅方法因缺乏射线和深度约束导致大视角变化下出现渲染伪影的问题,论文提出 GeoGSplat 模型。该模型通过双分支编码器构建锚点和三平面以捕捉粗粒度三维结构与细粒度场景特征,并利用分层解码器渐进式解码密集三维点与高斯基元,实现了三维重建与新视图合成。
SAGE 将冻结的预训练点云语义表示集成到配准流程中,无需额外传感器或微调编码器。该模型采用语义引导混合专家架构,在低重叠条件下显著降低几何相似但语义不同结构(如电视角与桌角)的误匹配。实验显示,SAGE 在 3DLoMatch 基准上取得最高召回率,且在同等迭代次数下于 3DMatch 和 3DLoMatch 均实现最高的内点比例与召回率。
本文提出在现有 RGB-only 的 Monst3R 模型上仅增加一个事件相机输入分支,无需重构架构即可实现 RGB-事件融合。实验显示该方法将三个基准数据集上的平均绝对相对误差(Abs Rel)降低 3.4%,且随着相机和物体运动幅度的增大,性能提升越显著,特别是在高物体运动导致纯 RGB 重建严重退化的场景下效果最佳。
针对灾难响应等危险环境中四足机器人的外部监控需求,作者提出了QuadPose模型和首个四足机器人姿态基准QuadSyn。该研究解决了四足机器人关节变化、自遮挡及缺乏公开基准的挑战。在QuadSyn上,QuadPose实现了92.18%的[email protected]和3.65度的平均关节角度误差等指标,支持约33 FPS的处理速度。材料为arXiv预印本,未提及同行评审状态或真实部署结果。
推荐理由:提出QuadPose模型与首个四足机器人姿态基准QuadSyn,在单目视频序列上实现高精度全身姿态估计。
针对严重退化下的 STEM 图像,该研究提出利用频域周期性原子排列与空域局部细节的融合网络及噪声校准方法。实验在合成数据集和先进材料真实图像上验证,该方法在保持高分辨率的同时实现了最先进的增强效果并提升了原子定位精度。论文已被 IEEE TPAMI 接收,代码与数据许可状态待进一步确认。
ClusterSplat 将三维目标选择重构为基于场景自适应候选的聚类级选择,通过实例感知特征与描述长度准则生成特定于场景的聚类候选集。该方法在 ScanRefer 基准上实现了优于对比基线的渲染二维分割及显式三维指标,并在 ScanNet v2 类名查询中取得最佳渲染结果与最高三维匹配精度。论文已作为 NeurIPS 2026 Spotlight 被接收,项目页面提供相关代码与资源。
针对水下自主航行器(AUV)在低能见度条件下的状态估计难题,本文提出了 SVIn+ 多模态融合框架。该工作扩展了开源的视觉惯性 SLAM(SVIn),通过紧耦合非线性优化整合水压、多普勒测速仪(DVL)及紧凑三维声纳数据,利用 KISS-ICP 处理声纳结构信息以维持计算效率。
针对无人机三维重建需满足图像质量且多次观测表面区域的需求,该方法将视点选择建模为带单体覆盖需求的集合多覆盖问题。在两种结构、四种体素分辨率及三种覆盖要求下,提出的动态加权贪心启发式算法实现了完整或近完整的 k-覆盖。相比整数线性规划(ILP)基准,该方法仅增加 3.00%--16.39% 的视点数量,且具备基于覆盖缺失与视点可用性的可解释选择过程。
研究提出 FORESEE-MS 评估协议,利用基线 FLAIR MRI 探索患者特异性病灶形成风险。在 MSSEG-2 数据集的 39 例受试者上,人口先验图谱在 AUROC 和 AUPRC 指标上表现最优,而 3D U-Net 等模型仅在部分阈值下提升了 Recall@Top-K%。结果表明当前小样本规模下尚不确定能否超越人口先验实现有效预测。
针对现有多模态大语言模型(MLLM)对身体自身感知评估不足的问题,作者提出了 SOMA 基准,包含 1,632 个人工验证的细粒度问题,涵盖身体构型、运动动力学和时间推理三个维度。
针对单目室外导航中传统 SLAM 系统因将跟踪误差累积到地图导致性能下降的问题,该研究提出 SG^2SLAM 方法。该方法通过耦合流式空间几何与射线条件化 3D 高斯泼溅(3DGS)核,利用块级度量先验监督跟踪与建图,并扩展每个原型的观测方向子空间以感知单目相机视角。
UT-HMR 是首个捕捉关节间相关姿态不确定性的单阶段三维人体网格恢复框架,通过高斯分布预测与早期时序融合解决弱观测下的歧义问题。该模型基于轻量级 ViT-B 骨干网络,在 VIP-HockeyPose-v2 和 WorldPose 数据集上将 MPJPE、PA-MPJPE 及 PVE 误差分别降低最高 4.7%、3.8% 和 5.6%,且在 3DPW 上保持竞争力。
针对 3D 高斯泼溅(3DGS)共享时泄露人脸、车牌等敏感信息的问题,提出 PrinGS 表示级匿名化框架。该方法在给定参考视图后,能在不到 1 秒内定位并直接匿名化底层 3D 表示中的敏感区域,确保后续渲染的新视角不包含敏感内容。