STEP:基于稀疏端点和伪轨迹的手术点追踪
STEP 是一个两阶段框架,用于从手术视频中学习稀疏物理端点的持续对应关系。第一阶段利用冻结的离线教师生成候选轨迹,并通过时间可逆性和立体一致性选择密集监督;第二阶段使用鲁棒的物理端点损失锚定终端对应,同时通过往返损失约束时间一致性。
STEP 是一个两阶段框架,用于从手术视频中学习稀疏物理端点的持续对应关系。第一阶段利用冻结的离线教师生成候选轨迹,并通过时间可逆性和立体一致性选择密集监督;第二阶段使用鲁棒的物理端点损失锚定终端对应,同时通过往返损失约束时间一致性。
Ba-GP 框架利用记录的高斯过程后验均值梯度,将估计的输入偏差与噪声高效传播至均值和协方差修正。仿真与室内光强映射实验表明,该方法相比含噪输入基线提升了预测精度与不确定性校准,且计算成本降低一个数量级。该成果已获 IEEE Robotics and Automation Letters 录用(2026 年 10 月)。
针对计算机视觉中从三维到二维对应关系估计相机位姿(PnP)的问题,现有方法要么求解最小化问题,要么替换目标函数。本文提出 PnP*,这是首个保证高效计算并返回可认证全局最优解的实用求解器。
针对现有事件相机方法在处理高速机动时存在视野受限或无法泛化至六自由度运动的局限,本文提出 EvSLAM 基准框架。该框架通过多样化的数据采集平台、极端光照场景及严格定义的高速运动模式,对主流视觉里程计与视觉惯性里程计方法进行量化评估,旨在揭示当前技术瓶颈并探索最优架构方向。
针对车载视觉相对定位中环境反射导致的歧义问题,本文提出一种新方法,利用通常被视为干扰的主动标记物反射信号,实现异构多无人机队在平静水面和平整室内地面等镜面近平面场景下的相对定位。
HiP3R 提出分层姿态图方法,先优化块级 Sim(3) 图确立全局布局与尺度,再固定布局估计每帧共享 SE(3) 相机以统一轨迹。该方法无需额外训练或微调即可适配基于块和流式后端,在多个基准测试中显著提升了相机轨迹与三维重建效果。代码已公开于指定 URL。
该论文提出稀疏拓扑度量图作为室内环境的高效结构表示,通过节点编码局部 3D 几何、边捕获可通行连通性,利用学习到的图匹配网络在跨会话中建立稳定对应。实验显示该方法在 Gibson 数据集上达到 77.1% 的成功率,在 3D-FRONT 场景变化下为 40.0%,内存占用比点级表示减少两个数量级以上,支持跨会话对齐与目标导向导航。
推荐理由:提出稀疏拓扑度量图方法,在跨会话室内导航任务中实现高成功率并大幅降低内存消耗。
MVLoMa 是一种稀疏星图匹配器,将 LoMa 从图像对扩展至多视图场景。该方法首先利用冻结的多视图几何模型联合描述星图中的所有图像,然后将生成的跨视图几何上下文注入局部描述符。
该论文提出 Stream4D,一种无需训练的流式 4D 重建框架,可直接集成到因果 Transformer 骨干网络中。其核心在于自适应聚合注意力层中的时序运动线索并融合深度先验,生成精确的动态掩码以解耦静态与动态区域,进而抑制动态干扰以提升相机位姿估计精度和长序列重建质量。材料为预印本论文,未涉及真实机器人部署或产品发布结果。
论文提出了 Joint-CI 方法,用于统一融合带有点特征、物体特征及混合地图的多机器人分布式右不变扩展卡尔曼滤波(RI-EKF)SLAM。该方法通过构建接收机器人的位姿与公共特征的联合估计,在保留机器人 - 特征及特征 - 特征相关性的同时,利用部分状态协方差交集完成融合。蒙特卡洛仿真和基于真实数据集的实验显示,Joint-CI 在提升估计精度的同时,保持了不确定性的一致性与适度保守性。
MoRSe 通过联合解析两帧图像直接预测移动区域掩码,无需光流或点跟踪即可在相机运动下区分真实场景运动与视差。该方法在包含静态、动静混合及动态设置的 MoRSe-5K 基准(42 序列)上表现优于专用分割方法与带运动阈值的密集 4D 重建方法。项目页面提供视频演示,代码与权重暂未提及开放许可。
针对投影式方法在特征提取中存在的几何信息丢失及空间关系建模不足问题,论文提出 RaSFNet 架构。该方法通过射线对齐几何分布编码模块刻画视锥内点云分布,利用扫描拓扑感知的 Mamba 块捕捉长程依赖,并引入范围约束的点 - 视锥融合机制以维持空间对应性。在 SemanticKITTI 和 nuScenes 验证集上分别取得 70.2% 和 77.7% 的 mIoU 分数。
该论文针对月球车在无导航卫星服务依赖的相对导航与危险检测场景,对比了十一组经典与学习型特征匹配器在九类合成及月面模拟数据集上的表现。研究发现 SuperPoint 组合在旋转不变性指标下优于 SIFT,且在八组连续数据集中保持跟踪能力;但在联合评分时 SIFT 在部分合成数据上更优,表明合成数据无法完全代表真实月球影像性能。
针对现有无人机导航方法缺乏显式动力学建模与安全距离约束导致的高姿态震荡和碰撞问题,本文提出了 KinoUAV 基准,包含数据集与 KinoUAV-Agent。该方案采用分层动力学轨迹生成管道,在速度、加速度及加加速度约束下分段生成轨迹以减少震荡;引入方向自由空间(DFD)标签描述安全通行间隙,使智能体能预测 DFD 并据此生成避障动作,实现感知与决策解耦。
针对单目内窥镜图像在低纹理、非朗伯表面及移动光源下的几何估计难题,本文提出 ColonAdapter 框架。该方法利用预训练几何先验并通过自监督微调适配临床数据,引入细节恢复模块与几何一致性损失以增强低纹理区域性能与尺度一致性,同时采用置信度加权光度损失提升稳定性。实验表明,无需真值内参即可在姿态估计、单目深度预测及稠密 3D 点云重建任务上达到最先进水平。
作者发布了一个在活跃建筑工地采集的高质量数据集,包含三十条视觉惯性序列,覆盖十层楼及八个月周期。数据涵盖变光、移动人员等真实挑战,并附带高质激光雷达惯性系统的真值轨迹。材料还报告了开放挑战赛结果,显示 SLAM 任务参与度显著高于平面图定位,旨在推动该领域研究。
针对三维点云场景分割中训练场景少、标注稀疏且缺乏重建用二维图像的三重数据不足问题,论文提出 PLOVIS 框架。该方法利用开放词汇图像分割模型从训练点云直接生成二维图像以创建伪标签,并通过两阶段过滤与类别平衡内存库提升质量。
针对 GNSS 拒止环境下的高速复杂机动飞行需求,本文提出一种仅利用单目 RGB 相机和 IMU 的机载状态估计方法。该方法融合视觉惯性里程计、机载地标测量系统与惯导数据,并通过新型数学模型修正 VIO 漂移,实现位置、姿态及速度角速度的准确估计。
针对遥感影像语义分割中类别边界位置偏差问题,该方法提出 Boundary Refinement Neural Cellular Automaton(BRNCA),利用冻结预训练分割器的概率图逐单元格修正。
论文介绍 Reading the Room(RR) 方法,用于将大尺度模糊、稀疏且含语义信息的视觉同步定位与建图(VSLAM)地图配准到部分建成的建筑平面图。该方法定义单一鲁棒的可微分类平衡语义 - 几何能量函数,提供两种全局初始化方案以处理跨模态匹配和用户提供的粗略对应关系,随后进行局部优化。
该论文针对传统稀疏转置卷积上采样导致的特征同质化及解码层语义信息丢失问题,提出了 FM-Occ 方法。
论文提出 AOV-GS 系统,利用冻结的 SAM 和 CLIP 模型引导机器人探索,通过计算掩码嵌入新颖度偏向语义信息丰富的区域。该方法离线拟合场景特定语言场,无需手动标注分割掩码即可在新型视图上实现开放词汇文本查询分割。
论文提出了 Register Anything Model (RAM),这是一个统一的 3D 点云配准模型,旨在跨不同传感器和环境领域稳健地估计 6-DoF 变换。
针对球体移动测绘系统(SMMS)面临的快速旋转与地面覆盖受限挑战,研究提出基于 RANSAC 的两种方法:单扫描法结合法向量评分及多步验证,以及利用全局三维地图的激光雷达惯性里程计(LIO)法。在多种真实世界数据集上对比陆地激光扫描仪真值,结果显示 LIO 法在精度与鲁棒性上显著优于单扫描方法。将地面法向量估计融入运动模型可提升位姿估计效果,支持在复杂危险环境下的自主导航。
针对白光照像(WLI)与窄带成像(NBI)序列采集导致空间不一致的挑战,该方法提出基于拓扑正则化配准的对应条件复数谱融合框架。在 FAHSYSU 和 PICCOLO 数据集上的实验显示,其分割效果优于现有方法,且通过模块消融与可靠性分析验证了有效性。论文已上传至 arXiv(arXiv:2607.26395),代码与权重暂未提及开放许可。
针对前馈 3D 重建模型依赖重型解码器且缺乏几何细化机制的问题,本文提出 BA-T,这是一种将经典束调整(BA)视为姿态与局部几何间迭代信息传播过程的迭代 Transformer。
Neural Implicit Energy Optimization for LiDAR Mapping 利用形状算子的曲率先验对符号距离场进行正则化,有效解决了稀疏噪声输入导致的几何抖动与伪影问题。实验表明该方法在大规模数据集上实现了保持几何保真度的平滑重建,且无需额外推理时间成本。代码已公开可用。
ScreenCalib 方法利用普通可编程显示屏上的 AprilTag 标记和屏幕物理边界,实现激光雷达与相机的外参标定。该方法通过标签引导提取、几何假设生成及场景边缘消歧义解决显示几何带来的关联模糊问题。
推荐理由:提出用普通显示屏替代专用标定板进行激光雷达与相机外参校准,通过多姿态共识降低误差。
MAPLE 是一种无需离线训练的预测性探索方法,利用当前部分地图中的几何线索在线生成多个合理的地图假设以评估前沿增益。该方法在 KTH 楼层平面图及真实 SLAM 环境的多种传感器量程下,均优于非预测性探索并可与学习型方法竞争。其轻量级过程化构建支持有限算力资源下的预测探索,且实验表明更准确的地图预测未必带来更好的探索效果。
该论文提出了一种基于广义贝叶斯证据融合的在线场景变化检测方法。方法通过离线学习自动对参考 3DGS 模型进行的编辑来生成带标签的训练视图,从而无需人工标注即可训练场景特定的证据模型和估计像素先验统计量。
推荐理由:该方法通过离线学习自动编辑的 3DGS 模型来生成监督信号,解决了在线场景变化检测中先验未知和数值推断成本高的问题。
论文提出 CrossFit-GS 框架,旨在绕过繁琐的结构从运动(SfM)步骤,直接从未定位图像序列中重建场景。该方法将输入序列划分为交错子集并维护两个互补子图,利用从未针对目标帧优化的冻结反向子图为姿态估计提供独立几何参考,并通过棋盘格验证和空间覆盖保障剔除不可靠更新。
针对现有开放词汇分割方法依赖简单反向投影导致重建次优的问题,本文提出 OV-Foam 方法。该方法采用 PowerFoam 作为底层表示,利用幂图对场景进行划分,实现了原语间的零重叠并显著降低了每条射线的原语数量。实验表明,OV-Foam 的空间划分原语能达到接近最优的特征分配效果,在开放词汇分割任务上优于高斯基线方法。
论文提出 VEOcc++ 统一框架,利用持久稀疏体素特征图连接探索阶段的在线增量映射与后续的全局地图优化。该方法在 EmbodiedOcc-ScanNet 数据集上实现 67.12% IoU 和 58.40% mIoU,刷新在线增量映射 SOTA;离线优化阶段进一步提升至 67.79% IoU 和 59.37% mIoU。研究展示了在移动机器人上的零样本部署能力与大规模室内建图的可扩展性。
推荐理由:该工作提出统一框架,通过持久稀疏体素特征图连接在线增量映射与离线全局优化,在 EmbodiedOcc-ScanNet 上刷新 SOTA。
OmniVLoc 提出一种基于拓扑度量框架的全景视觉定位系统,通过融合全球地物识别与单目深度估计解决传统系统在场景变化下的鲁棒性问题。该系统利用尺度感知位姿图求解与球面束调整精确恢复度量级位姿,并设计分层验证机制过滤错误输出。研究团队将在论文发表时公开源代码与数据集以回馈社区。
该论文研究了点云配准中最大团(Maximum Clique)与最大共识(Maximum Consensus)两种公式的关系,指出前者在固定容差下可能存在任意大的对齐误差且集合规模更大。
Leaf Jiang 在 Jetson AGX Orin 上对九种主流深度估计模型进行了基准测试,涵盖单目(Depth Anything V2/3、Depth Pro、MoGe-2 等)和双目(libSGM、NVIDIA ESS、Fast-FoundationStereo)方法。
针对通用少样本 3D 点云分割中支持标注稀疏与遮挡导致模型学习虚假几何模式的问题,作者提出首个将不确定性提升至更新级门控的框架 UGA。核心模块通过合并支持与伪标签新监督的内类离散度估计 episode 可靠性,选择性门控残差梯度更新;同时引入基于不确定性的伪标签过滤器以强制从高置信度密集信号中学习。
Graph3R 提出一种方法,将视图图初始化与前馈重建通过共享几何表示进行统一。该方法利用轻量级验证头从多视图特征中预测成对共视性以构建视图图,从而将输入视图分类为场景组,并在解码相机位姿和稠密几何前掩蔽共享特征。
论文研究了通用模型如何通过最小接口直接引导感知、行动、验证和自纠正的决策循环,提出‘具身代理控制’概念。研究评估了十四款前沿多模态模型在六个导航及问答基准上的表现,发现最佳代理在部分子集上超越已发表分数并接近人类测试者水平。
推荐理由:该研究评估了十四款前沿多模态模型在导航与问答任务中的表现,发现最小接口代理能接近人类水平,但受限于身体感知与空间理解。
针对重复室内环境中 LiDAR 到 BIM 配准易受对称性误导导致高置信度错误定位的问题,本文提出 Move First, Commit Later 选择性层。