Mem3R:基于混合记忆的流式 3D 重建方法
Mem3R 是一种用于机器人和增强现实的流式 3D 感知模型,通过解耦相机跟踪与几何映射来改善长序列的时间一致性。该模型采用隐式的快速权重记忆处理相机跟踪,并维持显式的基于 token 的固定状态进行几何映射。
Mem3R 是一种用于机器人和增强现实的流式 3D 感知模型,通过解耦相机跟踪与几何映射来改善长序列的时间一致性。该模型采用隐式的快速权重记忆处理相机跟踪,并维持显式的基于 token 的固定状态进行几何映射。
该研究提出基于极线约束的图表示学习以解决视觉里程计中的姿态变化估计难题。方法利用无检测器模型构建对应关系图,通过本质矩阵剪枝并训练图神经网络生成聚合向量输入多层感知机输出旋转与平移元素。在 KITTI、ETH3D、King's College 及 Tartan Air 等室外基准数据集上的单目视觉里程计实验显示,其轨迹与相对姿态估计效果优于传统共识估计器及学习引导对应方法。
论文提出了 RigidDriveGS,一种面向物体的车辆外观重建流程,旨在解决静态相机观察移动车辆时的运动模糊、鱼眼畸变和反射等挑战。该方案结合运动门控跟踪、剔除车轮的分支掩码以辅助 SfM 同时保留渲染需求、基于原始畸变图像的稠密对应匹配以及受刚性约束的全局 SfM。
针对单目视频进行场景级神经体素重建时面临的严重域偏移及尺度不一致问题,该研究提出了 VFM-Recon 方法。该方法引入轻量级尺度对齐阶段以恢复多视角尺度一致性,并通过任务特定适配器将预训练视觉基础模型特征集成到重建流程中,在保持跨域鲁棒性的同时实现重建优化。
论文介绍 CleanGS,这是一种针对 3D Gaussian Splatting (3DGS) 重建的后期清理方法,能在不重新训练底层表示的情况下移除重构图时可见的非物体结构。
该论文针对 VGGT 等前馈 3D 重建模型仅报告置信度却未提供不确定性估计的问题,提出在冻结特征上训练线性探针以探测姿态预测失败。实验显示,该探针在 HardMatch 基准上的 ROC-AUC 达 93.5%,优于模型自身的点图置信度和分类器,且能泛化至 PhotoTourism 和 ScanNet-1500 等未见过的旋转失败场景。
推荐理由:研究发现冻结模型内部存在未报告的失败预测能力,可让下游系统在不重新训练的情况下对困难样本进行回避。
论文提出 VPR-Space 基准以评估地外表面(如月球、火星)的视觉定位能力。作者收集了十六个基于太空模拟域的数据集,并创新性地依据下游 SLAM 任务价值生成真值矩阵,而非依赖固定阈值。研究评测了九种主流方法,结果显示现有技术在低特征环境中仍有较大提升空间。数据集预发布版本已开源。
该论文评估了利用 Insta360 X5 和 X6 相机内置 IMU(1 kHz)恢复 SfM 度量尺度的自包含替代方案,对比了依赖智能手机 ARKit/ARCore 姿态的方法。
论文提出 GenSfM,融合图像重建与原生 3D 扩散模型,解决从少量未标定视图恢复物体 3D 结构与相机运动的问题。该方法利用多模态扩散 Transformer 联合去噪形状潜变量和每视角姿态潜变量,将生成几何锚定在观测视图上,同时利用物体级先验推断未见区域。
针对 ACE-Zero 等基于学习的结构光流方法在复杂场景中存在的位姿漂移问题,本文提出一种混合框架,将位姿图优化(PGO)集成到无监督相机位姿估计流程中。该方法直接从预测的场景坐标构建位姿图,并引入基于几何先验的不确定性感知优化策略,利用跨视图的极线约束和光流一致性来抑制错误修正,从而提升重建的鲁棒性与精度。
推荐理由:该工作将位姿图优化引入无监督结构光流法,利用几何先验提升复杂场景下的全局一致性。
OBB-PBD 将平行框解码扩展至六槽位定向表示,在 AVVG 基准测试中将零样本基线的 rotIoU 从 0.1253 提升至 0.303±0.012。验证实验证实该模型依赖图像与提示词而非仅统计量,且学习定向框比轴对齐包络多贡献 0.055±0.008 rotIoU。代码与检查点已公开,论文发表于 Remote Sensing 期刊。
该预印本提出了一种鲁棒的去中心化雷达 - 激光雷达惯性里程计(LRIO)框架,旨在解决 GPS 缺失及烟雾、灰尘等视觉退化环境下的定位难题。核心机制包括自适应残差阈值(ART)以自动检测传感器退化并调整融合过程,以及基于 RETOIF 的去中心化最优信息滤波器以实现故障感知的数据融合。
针对现有无位姿 3D 高斯泼溅对残留姿态误差敏感的问题,论文提出 SG-Splat 框架。该方法将几何估计与属性预测解耦为独立分支,并引入流引导姿态修正(FGPR)和残差引导几何校正(RGC)流程以优化初始点图。
推荐理由:提出 SG-Splat 框架,通过解耦几何与属性预测及流引导姿态修正,提升无位姿输入下的 3DGS 鲁棒性。
该研究利用统计形状模型(SSM)分析 1456 名不同年龄和性别受试者的放射影像,从 27664 个骨骼掩膜中量化了儿童手部骨骼的性二态及特定形态变化。实验结果显示分割性能优异(Dice=0.987±0.00004, IoU=0.975±0.0001),证实了各骨骼在形态发育上的性别特异性差异,为构建基于人群的解剖变异模型提供了数据驱动的方法学基础。
该论文提出 MemVLN 框架,旨在解决基于 VLM 的智能体在长视野导航中维持持续情景记忆的难题。方法上,系统维护一个有界压缩感知特征库(标注时间戳与动作相对姿态),并通过交叉注意力生成紧凑记忆 token;结合冻结预训练几何编码器及掩码轨迹总结任务进行训练。
推荐理由:提出 MEMVLN 框架,通过压缩感知特征与冻结几何编码器实现长视野导航中的持续记忆,物理实验显示成功率从基线 17% 提升至 47%。
该论文针对手术器械增量分割中因数据不平衡导致的灾难性遗忘和偏差问题,提出了 SurgCSS 框架。该方法通过生成背景、类感知融合及对比学习损失来平衡分布并修正边缘偏差,同时动态融合新旧模型权重以优化性能。作者构建了新的基准数据集并进行实验验证,结果显示该框架在现有基线基础上有显著改进。
推荐理由:针对手术器械增量分割中的数据不平衡问题,提出 SurgCSS 框架与基准。
LayoutMamba 提出一种结合稀疏注意力 Transformer 与 Mamba 状态空间机制的混合框架,在 PubLayNet 数据集上以少 8 倍参数超越最先进方法并维持 D4LA 前 3 性能。该方法通过几何重叠惩罚损失(GOPLoss)缓解基准分布偏差,专为资源受限的边缘计算场景设计,论文代码与权重待开放许可。
论文提出 PosePlaner 方法,利用流匹配技术恢复对应关系与位姿之间的经典耦合,将位姿精修视为条件生成问题,输入粗略几何匹配和初始位姿以融合假设并输出单一精修估计。该方法在双视图数据上高效训练,可作为无需重训练的周期性精修器服务于流式多视图位姿估计器,实证显示其能纠正前馈预测器的失败、显著改善基于对应关系的求解器并减少长序列累积漂移。材料已获 NeurIPS 2026 录用,属于预印本状态。
推荐理由:论文提出 PosePlaner,利用流匹配将对应关系与位姿解耦,作为无需重训练的周期性精修器,可纠正前馈预测失败并降低长序列漂移。
ORBIT-SCOUT 通过耦合图像线/边缘几何与三轴轨迹族,仅在数值、几何及竞争假设检查均通过时返回动量轴与平均进动率估计。该研究处理了 96 个合成场景共 192 次尝试,其中仅 38 个产生联合正确估计且无错误估计,但未能达成注册覆盖率与失败自由执行目标。这是一项可审计的合成案例研究而非新理论或最先进精度证据,真实图像迁移与外部复现仍待开放。
针对挡风玻璃导致的车内反射破坏 3D Gaussian Splatting 世界空间一致性的问题,提出 RIDE-Splat 流程。该方法无需清洁图像、反射掩码或预训练网络,通过两阶段学习将透射辐射与附着反射分离并重建干净场景。
该论文提出了一种无需昂贵 SDP 锥求解器和 ADMM 求解器的非刚性结构从运动(NRSfM)新方法。通过引入可微欧几里得校正和行极投影优化相机旋转,利用展开的谱近端求解器结合重排形状域的加权奇异值收缩进行形状估计。
推荐理由:提出无需 SDP 锥求解器的快速 NRSfM 方法,在密集序列上实现最高千倍加速且保持精度。
本文提出一种名为 TLP 的新型点云配准方法,利用截断 Lp 函数为对应关系分配优先级分数以选择假设并优化模型。该方法仅需一个可调参数即可处理高离群率场景,并通过 GPU 并行化在数千个对应关系下实现亚秒级配准。公开基准数据集评估显示,TLP 精度优于现有单参数方法,且在三个数据集上超越两种常用多参数方法并保持具有竞争力的运行时间。
推荐理由:提出仅需单参数调优的鲁棒点云配准方法,在公开基准数据集上精度优于现有单参数方法。
该框架通过利用手术实体间的相位依赖关系,在遮挡和重叠等挑战性条件下提升目标状态估计精度。基准数据集实验验证了其在手术阶段识别和目标跟踪上的性能,包括复杂场景下的鲁棒性评估。鬼影实验进一步证明相比固定视场控制,该方法显著改善了目标可见性和任务执行效果。
针对施工等动态演化环境,本文提出 T-ConSG 方法,利用 LiDAR 几何证据增量构建包含自由空间、静态对象、动态对象及安装移除事件的统一时空场景图。研究在砌砖测试床导航、ConSLAM 数据集进度监测及仿真环境变化检测三个应用中验证了该方法对短期动态与持久变化的联合表征能力,支持机器人跨环境推理。
该论文提出一种基于 OWL 感知函数的解析框架,用于在单次相机运动中分割多个独立运动的刚体。该方法将视张角和旋转线索编码为相对三维结构的闭式表示,通过聚类每点的相对平移方向来划分场景中的不同刚体。框架在 3D 空间中使用四元数推导,具有并行性、对相机旋转不变,且无需训练数据、深度信息或语义先验。
该综述将道路基础设施感知划分为几何结构、功能空间和法规语义三类,梳理了从图像识别向度量向量化建模的演进。文章指出当前基准在关系推理与规划评估上存在局限,并提出了统一表征与开放环境泛化的未来方向。
该论文研究了如何利用轮式移动机器人的车载测量来表征室内地面的摩擦特性并改善定位精度。研究通过控制速度剖面诱导车轮打滑,利用惯性传感与里程计的速度差异、响应延迟及频域特征对五种不同地面进行分类。
推荐理由:原文提出利用轮体速度失配特征评估地面摩擦,在五种表面测试中达到 97.1% 分类准确率。
arXiv 预印本论文提出 E3Stereo 方法,旨在解决立体匹配中深度边界处的主要误差来源。该方法从视差监督中学习几何边缘,结合骨干网络视差和图像细节预测全分辨率视差修正,并在训练阶段利用边缘图强调边界错误以实现联合优化。
LENS 结合微调后的 DINOv3 与 CLIP 模型,通过组交叉熵正则化、对数似然评分及 DINOv3 外观特征的邻居平滑技术,解决了属性匹配度在未见摄像头上的性能下降问题。
针对在单一设备上同时运行语言模型和稠密 3D 地图易导致内存溢出问题,论文提出基于语义空间单元(房间、走廊)的关键帧管理机制。该方法直接以内存为界限制图大小,并在读取数据前预知每帧成本;通过按语义区域释放已离开区域的地图,使机器人仅保留当前及即将进入的区域。
该论文提出 Tight Learned Event-Inertial Odometry (TLEIO),这是一种紧凑的基于滤波器的管道,直接从体素化事件流中学习短窗口相对运动,并将结果约束与 IMU 传播紧密融合。
针对快速光照过渡导致图像饱和并破坏视觉对应关系的问题,本文提出了 B-Adapt 和 BVSLAM 两种方法。B-Adapt 获取自适应曝光括号以覆盖场景动态范围并促进光度重叠;BVSLAM 直接将多曝光序列作为约束用于因子图状态估计器,无需依赖 HDR 合并。
该研究提出一种用于可扩展相机网络的去中心化多视角跟踪系统。系统将单目检测结果投影至鸟瞰图(BEV)坐标,并由独立的多视角跟踪器在动态空间分区内融合轨迹。为支持空间分区的标度化扩展,作者引入去中心化层以统一轨迹,利用锁定协议和周期性全局合并操作(global collate),并通过延迟输出缓冲机制回溯应用历史修正以吸收异步协调延迟、稳定跨区身份一致性。
针对低空无人机图像中目标小、视觉相似及语言空间约束复杂的问题,本文提出 DRA-SAM 框架。该方法通过轻量级证据评分器评估候选与未解析状态,利用无训练参考分歧 LOOK 策略选择作物进行局部重推理,并基于 SAM3-I 骨干更新假设与新候选。
OccamView 提出一种物体条件的视图选择框架,通过在线记忆与遮挡感知评分解决几何驱动策略在有限帧数下对局部物体重建不足的问题。该方法结合 Geo-Floor 机制保留底层规划器的几何探索行为,仅在几何竞争候选集中进行重排序。实验显示,该框架在 Replica 和 Matterport3D 数据集上显著降低了完成时间并提升了完成率比。
该论文提出 TopoGS-SLAM,通过覆盖触发的初始化与受控拓扑优化解耦了精度提升与表示增长,解决了传统残差驱动方法中精度饱和但内存持续增长的问题。在标准室内基准测试中,该方法在定位和重建精度上匹配或超越现有稠密化流水线,同时大幅提升了内存可扩展性和吞吐量,表明在具有足够多视角覆盖的有界区域静态室内场景中,无需迭代拓扑突变即可实现准确的高斯 SLAM。
该研究提出结合改进的 Affine Scale-Invariant Feature Transform(ASIFT)与双相机结构光法,在三维建模中实现 99.9% 的相机运动轨迹准确率。该方法通过提取更多匹配点并修正旋转误差,有效解决了大视角变化下的对齐难题。论文已撤回待修订,目前无 PDF 可供下载。
FlexGlue 是一种用于图像间对应关系估计的神经网络,解决了传统方法在重复性与鲁棒性之间的权衡问题。该方法通过非对称稀疏到稠密匹配,结合子像素精度与稀疏速度,同时具备高精确度的错误对拒绝能力。实验表明其在相对位姿估计、结构运动(SfM)和视觉定位任务上均优于现有方案。论文已公开于 arXiv 平台。
针对室内无人机在动态环境下仅靠最少机载传感进行定位的挑战,作者提出了增强的过滤蒙特卡洛定位(AF-MCL)方法。该方法利用四个单点测距传感器和测量航向实现 2D 定位,通过拒绝与已知静态地图不一致的测距数据来适应动态环境,并自适应注入粒子以恢复定位发散或被劫持的情况。
推荐理由:提出仅用四个单点测距传感器即可在动态环境中实现鲁棒室内定位,实测误差约 6.4-7.7 厘米。
FastVC 提出一种基于畸变感知薄板样条(DA-TPS)与双级时空学习的高效全身体视频校正框架,解决广角镜头边缘非线性失真问题。该模型在无需额外计算成本下实现 57.0 FPS 实时推理,并贡献首个广角全身体校正基准数据集。实验表明其在保持高几何拟合精度与视觉稳定性的同时,显著降低了帧间抖动。