收集详情
采集完成 · 候选 1739 · 已筛选 1739
RSS 公告日期：2026-10-14
更新时间：2026-10-14T18:16:31.629921Z
中文总结由 AI 基于论文标题与作者摘要生成。
重点推荐 · 10
ArborSplat：面向果园的在线语义 Gaussian Splatting SLAM
ArborSplat: Online Semantic Gaussian Splatting SLAM for Orchards
论文提出 ArborSplat，用 LiDAR 里程计进行跟踪，并直接在 Gaussian 地图上优化语义。方法利用相对地面的类别高度带、多视角证据融合，以及地面和单目深度一致性约束，改善树干、棚架等细结构的语义分配；同时通过类别约束细化为低预算结构保留 Gaussian 容量。在苹果和梨园的 12 次完整 traversals 中，ATE 均低于 0.5 米，并在共享片段上取得更高 mIoU 和更快运行速度。
关注理由 直接研究在线语义 3D Gaussian Splatting SLAM，涵盖高斯场景表示、语义建图、定位与多视角融合；应用场景为果园而非城市。
从原型到体量：面向可扩展立面建模的图对应学习
From Prototype to Massing: Learning Graph Correspondence for Scalable Facade Modeling
论文将原型和目标建筑体量表示为异构属性图，使用带实例局部三元组监督的 Siamese 图注意力网络，将片段嵌入共享度量空间，再通过多对一近邻检索把原型立面模式映射到更大的目标体量。作者报告在 85/15 划分上达到 96.5% top-1 准确率，高于 76.5% 的原始特征基线，并用 Rhino 演示器生成可复用模式。该方法重点是设计者 authored 几何作为项目级传播规范，而非全自动立面生成。
关注理由 直接研究建筑尺度立面构件的可迁移建模与项目级传播，属于建筑立面和可组合建筑资产方向；摘要明确说明贡献不是自动立面生成。
TETRIS-4DGS：高效的4D Gaussian Splatting后训练压缩
TETRIS-4DGS: Efficient Post-Training Compression of 4D Gaussian Splatting
论文针对4D Gaussian Splatting存储开销大且现有方法依赖逐场景优化的问题，提出通用后训练压缩框架。方法依据Gaussian重要性进行自适应量化，并结合运动与重要性感知的属性打包，将数据重组为适合现有图像和视频编解码器处理的二维图。作者报告该方法可在数秒内实现超过40倍压缩，同时保持较高质量，从而促进4DGS的实际部署。
关注理由 直接研究4D Gaussian Splatting的后训练压缩、量化与属性打包，属于关注的Gaussian场景表示压缩方向。
AD-GS：用于稀疏视角牙科CBCT重建的解剖密度引导3D Gaussian Splatting
AD-GS: Anatomical Density-guided 3D Gaussian Splatting for Sparse-View Dental CBCT Reconstruction
论文针对稀疏视角CBCT中梯度驱动Gaussian致密化不稳定、结构过度平滑的问题，提出解剖密度引导的3DGS框架。方法将Gaussian致密化建模为衰减感知的MCMC采样，使表示容量集中于高衰减区域，并利用医学分割模型的零样本特征加入语义正则化以强化多视角一致性。作者在ToothFairy3牙科CBCT数据集上报告了更好的结构保真度和边界保持效果。
关注理由 直接研究3D Gaussian Splatting在稀疏视角CBCT重建中的表示容量分配与语义正则化，属于关注的3DGS重建方法；应用虽为牙科医学而非城市。
DIGS：面向免训练开放词汇3D分割的分布感知Gaussian Splatting
DIGS: Distribution-Informed Gaussian Splatting for Training-Free Open-Vocabulary 3D Segmentation
论文提出免训练的DIGS框架，将实例发现与语言命名解耦。方法为每个Gaussian维护前M个标签的分布，用温度Dirichlet规则更新，并通过双向状态机形成持久化实例本体；随后融合实例3D足迹的CLIP视觉特征与属性描述的文本特征。作者报告其在LERF-OVS上达到71.95% mIoU，且原生3D查询耗时5.4毫秒。
关注理由 直接研究开放词汇3D Gaussian分割，改进Gaussian边界语义表示、实例发现与3D查询，属于3DGS语义理解核心任务。
通过语义引导密度控制与损失设计实现细粒度城市场景重建的3D Gaussian Splatting
3D Gaussian Splatting for Fine-grained Urban Scene Reconstruction via Semantic-guided Density Control and Loss Design
论文提出SG-GS，将SAM语义分割同时用于Gaussian密度控制和损失设计。方法按语义区域动态分配梯度阈值，并加入边界增强致密化，使Gaussian集中于结构关键区域；同时采用多特征引导损失和分阶段渐进训练。作者在三个数据集上报告重建精度持续提升，相比原始3DGS的PSNR提高约2.7%至5.2%，线性结构伪影和边界模糊得到缓解。
关注理由 直接研究复杂城市场景中的3D Gaussian Splatting细粒度重建，并用语义分割约束密度控制和损失设计，属于3DGS与城市场景交叉核心工作。
PLEDGE：3D Gaussian Splatting的渐进式有损误差有界压缩
PLEDGE: Progressive Lossy Error-Bounded Compression of 3D Gaussian Splatting
论文提出无需训练的渐进式3DGS压缩编码器，将用户指定的屏幕位置、足迹形变、视角相关颜色和不透明度容限转化为逐原语量化界，并支持声明相机域内的未见视角。作者在13个场景上验证了各机制误差界，并报告了具有竞争力的率失真性能。
关注理由 直接研究3D Gaussian Splatting的渐进式压缩与误差控制，属于关注的GS表示压缩方向。
PUGS：面向水下动态三维 Gaussian Splatting 的物理引导不确定性建模
PUGS: Physics-Guided Uncertainty Modeling for Underwater Dynamic 3D Gaussian Splatting
论文针对水下光散射、折射、海雪和低能见度导致的动态重建歧义，提出 PUGS 物理引导不确定性模型。方法将每个 Gaussian 的运动表示为带期望形变和物理不确定性的概率分布，并通过随机形变优化探索多种轨迹，再利用随机退火和双路径自一致蒸馏得到确定性重建。摘要报告其在 UVEB 和 DRUVA 上相对最强基线分别提升 1.16 dB 和 3.99 dB PSNR。
关注理由 直接研究水下动态 3D Gaussian Splatting 的不确定性建模与重建，属于 3DGS 动态建模和渲染方向。
CityCode：从稀疏航拍观测构建可供智能体操作的三维城市
CityCode: Building Agent-Operable 3D Cities from Sparse Aerial Observations
论文提出从每个区域单幅低空航拍 RGB 图像构建可供智能体持续操作的参数化三维城市。CityCode 以持久实体身份、度量几何、城市拓扑、视觉语义和三维资产统一表示，并支持依赖感知的版本化更新与历史恢复；Air2Code 结合视觉结构提取和适配的度量深度估计进行构建，进一步利用观测外观和结构先验完成遮挡区域及建筑、背景生成。摘要报告其在 CitySample-Aerial 和 UrbanScene3D 上取得更准确的结构恢复和更高视觉保真度，并支持 50 条、每条 50 步的任务链。
关注理由 直接研究从稀疏航拍观测构建可编辑、可持续更新的参数化三维城市，涵盖城市场景、道路拓扑、建筑生成与城市数据/重建支撑。
CoTL：用于三维场景表示的紧凑令牌学习
CoTL: Compact Token Learning for 3D Scene Representation
论文提出CoTL，将未标定多视图图像压缩为按视图组织的少量潜在令牌，并跨视图聚合为一致的场景表示。基于场景无关查询的Gaussian解码器从令牌中恢复显式、可渲染的三维高斯基元，并以新视角渲染监督端到端训练。作者在相关数据集上报告了有竞争力的新视角合成结果，并表明该令牌空间可作为三维Gaussian场景生成模型的潜空间。
关注理由 直接研究从多视图图像学习紧凑场景表示，并通过高斯解码器恢复可渲染的三维Gaussian primitives，且明确服务于3D Gaussian场景生成。
相关方法 · 27
MeshRepair：生成式艺术家网格的自回归拓扑修复
MeshRepair: Autoregressive Topology Repair for Generated Artisan Meshes
论文提出面级拓扑修正网络，以 prefix-LM 双向读取网格并自回归生成编辑序列，先删除问题面，再添加新面或顶点；未修改的面直接保留，因此能够维持草稿的顶点和整体布局。相较从头生成网格，修复只需解码编辑步骤。作者在人工缺陷和两个生成器的留出草稿上评测，报告 quad-equivalent face F1 提升、非流形面减少及拓扑清理效果。
关注理由 研究生成网格的原位拓扑修复，可直接支撑建筑和场景资产的程序化创建；摘要未限定为城市或建筑资产。
GeoFix：面向四维一致生成的几何修复
GeoFix: Geometry Fixing for 4D Consistent Generation
GeoFix 提出统一的几何奖励框架，用静态区域的跨视角深度一致性衡量结构错误，并可用于训练和推理时的奖励对齐。方法特别校准相机视场重叠对深度一致性的影响，避免把较小相机运动误判为更好几何，同时不直接约束外观或合法运动。作者报告 WorldScore 3D consistency 提升 39%，VBench Quality Score 提升 4%。
关注理由 研究通用 4D 场景生成的视频几何一致性和跨视角深度奖励，可作为可扩展三维/四维场景生成的支撑方法，但不使用 Gaussian 表示，也未涉及城市场景。
MvFFN：面向无姿态宽基线全景布局重建的多视角平面图前馈网络
MvFFN: Multi-view Floor plan Feed-forward Network for Unposed Wide-Baseline Panorama Layout Reconstruction
论文提出 MvFFN，以局部预测替代一次性生成完整平面图。MOIS 为每个全景列预测当前墙及顺时针方向的两个相邻墙，随后通过确定性聚合恢复墙体身份和局部连通性；网络还联合预测粗相机姿态、稠密全局几何和墙体语义，Layout Chaining 再组装多房间平面图。作者报告墙体与连接点精度优于模块化基线，并发布带全局墙体实例和跨视角标签的 ZInD-CrossView 数据集。
关注理由 直接研究多视角全景图像到房间布局、墙体分区和共享坐标平面图的重建，属于布局与跨视角几何支撑；场景为室内而非城市。
Demiurge：通过自回归视频重渲染锻造可导航的4D世界
Demiurge: Forging Navigable 4D Worlds via Autoregressive Video Rerendering
论文针对独立处理相机轨迹导致多视角结果不一致的问题，提出基于动态4D点云记忆缓存的自回归视频重渲染流程。系统结合外观视频扩散、记忆一致的视频深度补全、双流变形引导和几何感知视频细化，以维持跨轨迹的几何与外观一致性。作者报告其支持密集多视角时空结构、大视差重渲染及无输入重叠的180度旋转，并能直接优化为高质量3DGS表示。
关注理由 研究动态4D点云记忆驱动的可导航世界与跨轨迹新视角视频合成，并明确生成可优化为高质量3DGS的几何一致输出，属于3DGS相关支撑技术。
体渲染中的外观补偿
Appearance Compensation in Volume Rendering
论文研究外观变化如何补偿密度变化，使不同密度产生相同外部 RGB 视图。作者在有限阶球谐光源、空间容量和有限相机条件下分析密度信息的保留程度，并构造 SH2 精确歧义实例：密度翻倍且相对密度误差超过 14.52%，但所有外部 RGB 射线不变。结果表明，仅凭渲染精度无法保证密度恢复，还取决于外观容量、空间分辨率和测量设计。
关注理由 研究发射-吸收体渲染中的密度与外观补偿可辨识性，直接涉及体渲染场景表示的密度恢复局限，但摘要未明确使用 Gaussian 表示。
Co-DSL：人类与大语言模型协同设计可复用空间概念进行布局生成
Co-DSL: Human-LLM Co-design of Reusable Spatial Concepts for Layout Generation
Co-DSL 让用户与大语言模型共同设计可复用的空间概念。系统先将用户描述转为操作并通过示例反馈迭代，再由大语言模型编写布局程序，以概念图声明约束、由求解器搜索满足条件的布局。作者在五类空间布局领域报告，概念图能改善概念组合，并支持用户通过高层参数探索相关布局分布。
关注理由 直接研究可复用空间概念、约束求解和可控布局程序生成，方法可支撑城市布局生成；但摘要仅说明跨五个空间布局领域，未明确限定为城市。
Channel Match：面向少步三维生成的形状潜变量校准
Channel Match: Calibrating Shape Latents for Few-Step 3D Generation
论文提出面向原生三维生成的少步蒸馏框架，通过连续自一致性训练、解析速度回归和自适应损失加权降低采样成本。作者发现少步采样会造成潜变量分布漂移，破坏后续 PBR 纹理合成，因此提出无需训练的 Channel Match 进行逐通道校准。在 TRELLIS.2 的 1024³ 设置下，两步模型实现 4.5 倍几何采样加速，并改善渲染质量。
关注理由 研究通用原生三维资产生成的少步蒸馏与结构化三维潜变量校准，可作为可扩展三维内容生成支撑；但摘要未涉及 Gaussian 表示或城市对象。
UniForge3D：共享锚点引导空间中的联合三维重建与生成
UniForge3D: Joint 3D Reconstruction and Generation in a Shared Anchor-Guided Space
论文针对稀疏无姿态图像中可见区域重建与不可见区域补全难以统一的问题，提出共享锚点引导空间，使重建和生成分支在一致坐标中交互。方法预测点图与稀疏体素结构，并按体素选择最相关视图以保留细节。作者报告在Toys4K和GSO上取得外观与几何结果方面的SOTA。
关注理由 研究稀疏多视图条件下的完整3D资产重建与生成，属于通用3D场景生成和重建支撑，但摘要未涉及Gaussian表示或城市任务。
GNFormer：用于高效基于相机占据预测的Gaussian神经场Transformer
GNFormer: Gaussian Neural Field Transformer for Efficient Camera-based Occupancy Prediction
论文指出传统Gaussian占据表示存在原语利用率低和复杂形状表达能力有限的问题，提出Gaussian Neural Field，由Gaussians定义空间支撑并提供特征，再由神经网络进行更灵活的占据解码。GNFormer从相机输入预测该场。作者报告其在三个占据基准上取得最高IoU、mIoU和最快推理速度，并以较少Gaussians表示室内外场景。
关注理由 提出Gaussian Neural Field，以Gaussian提供空间支撑和特征、神经网络解码语义占据，直接涉及Gaussian三维表示；应用于室内外场景占据预测。
Totem：用于世界一致视频生成的以对象为中心的三维记忆
Totem: Object-Centric 3D Memory for World-Consistent Video Generation
论文针对大视角变化下视频生成中对象表示不稳定的问题，为选定对象建立对齐共享世界坐标的持久3D记忆，并设计结合对象记忆与场景几何的双流三维条件架构。对象记忆还用于以三维结构约束注意力，从而保持表面和相对空间布局。作者在世界生成和对象中心基准上报告了更好的三维世界一致性。
关注理由 研究共享世界坐标中的持久3D对象记忆与世界一致视频生成，属于通用3D场景生成的支撑方法，但未涉及Gaussian或明确城市任务。
更清晰的帧，更糟的房间：视角覆盖主导前馈三维重建中的图像质量
Sharper Frames, Worse Rooms: Viewpoint Coverage Dominates Image Quality in Feed-Forward 3D Reconstruction
论文考察固定视图预算下图像清晰度与视角覆盖对前馈三维重建的影响，发现只选最清晰帧会因视角聚集而严重漏观测。通过九次室内扫描和析因实验，作者报告视角覆盖的主效应约为图像质量的三倍，模糊但分散的帧在8/9次采集中优于清晰但聚集的帧；摘要还指出现有一致性与视觉语言模型信号难以识别该失败。
关注理由 研究固定视图预算下多视图三维重建的帧选择与视角覆盖，直接涉及三维重建输入设计，可作为3D场景表示构建的支撑方法；但场景为室内且未涉及Gaussian。
All-St3R SLAM：具有像素级运动掩膜的实时RGB动态SLAM
All-St3R SLAM: Real-time RGB Dynamic SLAM with Pixel-wise Motion Masking
论文针对动态SLAM中的过度移除和计算成本问题，结合DUSt3R自运动预测与All-Tracker点跟踪，通过两种运动来源的差异仅移除实际运动像素，使暂时静止的物体部分仍可用于跟踪。方法仅使用RGB输入，按每三帧采样，在标准30 FPS视频上约以10 FPS运行。
关注理由 提出动态环境中的实时RGB SLAM，涉及定位与地图构建，是三维场景重建和定位的支撑技术；但摘要未涉及Gaussian表示或城市场景。
Unravel：从单张图像恢复可交互的3D场景
Unravel: Recovering an Interactive 3D Scene from a Single Image
论文提出无需训练的单图3D场景恢复框架，将图像逐层拆解并通过图像编辑恢复遮挡区域，再以点云恢复对象空间关系。场景按逆移除顺序重建，并通过物理沉降和代理审计减少漂浮、穿插及摆放错误。作者报告其在多种室内场景中恢复了更多对象，布局更准确且物理合理性优于现有方法。
关注理由 研究从单张图像重建可交互、可移动对象组成的3D场景，属于通用3D场景生成与资产组装，可作为城市场景生成的支撑方法；但摘要仅报告室内场景。
VGGA：几何约束的视频生成自动编码器
VGGA: Geometry-Grounded Autoencoder for Video Generation
论文提出VGGA视频自动编码器，将结构深度、运动对应和投影变形纳入重建，并通过共享时空上采样解码器联合优化几何学习与RGB重建。该方法旨在使潜表示捕捉动态场景的3D结构和运动。作者报告其在RealEstate10K和Taichi-HD上的gFVD分别降低28.1%和37.7%，同时保持相近的重建质量。
关注理由 研究以几何约束学习动态3D世界的视频潜表示并提升视频生成，属于通用动态3D场景生成的支撑方法，但不涉及Gaussian或城市任务。
Graph3R：统一视图图初始化与前馈重建
Graph3R: Unifying View Graph Initialization with Feed-Forward Reconstruction
论文提出Graph3R，将视图图初始化与前馈重建统一到共享几何表示中。验证头根据多视图特征预测成对共视关系并构建视图图，再按场景分组并解码相机位姿与稠密几何。作者报告其在三个基准上将100%精度下的平均最大召回率最多提高8.99个百分点，并在查询组重建中实现约35.9倍运行时加速。
关注理由 研究将非结构化多视图关联与稠密几何重建统一，能够直接支撑城市或户外场景重建，但摘要未明确城市数据或Gaussian表示。
BAT3R：采用贝叶斯自适应状态更新的鲁棒在线三维重建
BAT3R: Robust Online 3D Reconstruction with Bayesian Adaptive State Updates
针对长视频在线三维重建中误差累积和状态漂移问题，作者提出无需训练的BAT3R框架，包括状态创新门控SIG和贝叶斯自适应状态更新BASU。方法利用观测信息增益、空间相关性与历史置信度进行非对称融合，保护已稳定区域并纳入新内容。作者报告其在7-Scenes、TUM、ScanNet、KITTI等基准上持续优于现有在线重建方法，长序列和复杂场景收益更明显。
关注理由 论文研究长视频流式三维重建与状态更新，虽未明确采用Gaussian表示，但属于可直接支撑三维场景表示构建、重建和长期稳定性的通用方法，并在KITTI等场景数据集上评估。
从重复视觉定位中的位姿选择失败中恢复
Recovering from Pose-Selection Failures in Repeated Visual Localization
针对重复结构导致错误位姿候选获得更多内点支持的问题，作者提出历史引导位姿重选方法HPR。它利用最多五次历史定位结果形成粗略位置预测，仅用于候选选择而不修改位姿；当预测一致支持替代候选时才接受重选。作者报告该方法在HLoc、MASt3R位姿生成和JIST检索配置中提升定位召回率，且中位运行时间低于1毫秒，但定位频率较低时恢复效果减弱。
关注理由 论文直接处理视觉定位中的候选位姿误选，并涉及MASt3R位姿生成；可作为三维场景定位与重建系统的支撑方法，但摘要未明确使用Gaussian场景表示或城市任务。
GHOST：用于开放词汇三维场景图生成的几何约束混合扩散模型
GHOST: Geometry-Constrained Hybrid Diffusion for Open-Vocabulary 3D Scene Graph Generation
针对开放词汇三维场景图方法难以准确建模空间谓词的问题，作者提出GHOST几何约束混合扩散框架。方法联合建模连续节点几何与离散边谓词，通过语言驱动的约束诱导将谓词嵌入映射为可微几何约束，并使用几何—拓扑协同去噪器耦合布局与关系推理。作者在3DSSG上报告其在闭集和开放词汇设置中达到作者所称的当前最佳表现，并在空间谓词上较RelationField提升超过17个百分点。
关注理由 论文生成三维场景图并联合建模节点几何与空间关系，直接涉及布局 refinement 和空间关系预测，可作为城市布局生成与解析的支撑方法；摘要未说明其专门针对城市场景。
CineRecon：面向代理式电影重建的前沿模型基准
CineRecon: Benchmarking Frontier Models for Agentic Cinematic Reconstruction
论文提出CineRecon基准，用于评估代理从完整参考视频构建可编辑动态三维场景的能力。任务要求代理重建场景、主体动作和相机行为，并在Proxy、Simplified和Detailed三种表示要求下进行动画、渲染与细化。基准包含50段参考视频和360个评测片段，使用时间对齐帧及视觉语言评判器衡量一致性。作者评测12个模型，发现相机、静态内容和动态内容均存在失败，主体运动与交互即使在Proxy设置下仍较困难。
关注理由 论文评测从视频重建可编辑动态三维场景的代理能力，涉及场景布局、相机行为和动态建模，可作为动态三维场景生成与重建的支撑；摘要未明确采用Gaussian表示。
ModRes：面向平面图分析与图机器学习的 ResPlan 修改版数据集
ModRes: A modification of the ResPlan dataset ready for floor plan analysis and graph machine learning
论文发布清理增强后的 ModRes 住宅平面数据集，包含 8,431 个有效且唯一的平面图。数据同时提供二维几何、图像、三维建筑表示，以及带有图、节点和边特征的多种双重图，并通过图统计和案例研究展示其对建筑布局分析、空间拓扑学习及建筑设计评估的支持作用。
关注理由 论文提供建筑平面数据集及几何、三维建筑表示和图结构，直接支持建筑布局分析与机器学习，是城市生成相关的支撑数据资源。
面向实时场景重建的Gaussian Splatting：方法、系统与权衡
Gaussian Splatting for Real-Time Scene Reconstruction: Methods, Systems, and Trade-offs
论文综述3D Gaussian Splatting在实时新视角合成之外的发展，覆盖稀疏视角生成、动态表示、效率与压缩、流式系统及SLAM。作者将GS场景重建归纳为五类，并区分渲染吞吐量与场景生成、更新、跟踪、映射和优化成本；通过受控稀疏视角基准及原生评测分析不同方法在质量、延迟、内存和更新成本上的权衡。
关注理由 论文直接综述3D Gaussian Splatting场景表示的构建、生成、动态建模、压缩、流式传输与SLAM，并比较相关质量、延迟、内存和更新成本。
YUBI-Real2Sim：面向可靠策略评估的3DGS场景验证
YUBI-Real2Sim: 3DGS Scene Verification for Reliable Policy Evaluation
论文提出YUBI-Real2Sim，将200度鱼眼采集、3DGS训练、3D基础模型物体建模和MuJoCo仿真结合，用于评估重建场景对机器人策略排序的可靠性。作者在多个平台、场景和任务上比较真实与仿真策略表现，并测试孔洞、漂浮物、形变及采集扰动等伪影的影响；摘要报告九组场景—任务中有八组复现真实策略排序，但质量指标的可靠性预测具有任务依赖性。
关注理由 论文直接研究3DGS场景重建质量验证及其对仿真策略评估的影响，属于3DGS重建与评测的支撑工作，但任务对象是机器人而非城市场景。
4LC：用于动态世界建模高效条件生成的4D潜变量缓存
4LC: 4D Latent Cache for Efficient Conditioning in Dynamic World Modeling
论文提出4D潜变量缓存，将静态与动态内容的多种视觉表示绑定到共享几何和运动上，并通过时空访问接口按需读取不同时间与视角的信息。基于此构建的4LC-Video支持相机控制、时间控制、新视角合成、场景重访和长期生成。作者报告其能够提高条件获取效率，并改善时空可控性与跨任务场景一致性。
关注理由 研究动态世界的4D潜变量缓存、共享几何与多视角访问，直接涉及可复用的4D场景表示及新视角合成，但摘要未说明采用Gaussian表示。
Code2Worlds-2：用于具身世界模拟的物理可信智能体框架
Code2Worlds-2: Physically Plausible Agent Harness for Embodied World Simulation
论文提出面向具身模拟的场景编译器和模拟器闭环精炼器：前者为生成视觉场景分配碰撞网格、物理属性、支撑关系和动力学约束，后者通过编译、模拟、批评和精炼使视觉运动转化为可执行动力学。作者在多个场景类型（包括城市）上报告了物理可信、兼容模拟器且可与机器人交互的结果。
关注理由 研究从生成视觉场景到可执行物理世界的编译与迭代，实验包含城市场景，对程序化场景生成具有直接支撑作用，但重点不是城市内容生成本身。
什么样的视觉表示适合多模态大语言模型的空间理解？
What Makes a Good Visual Representation for Spatial Understanding in MLLMs?
论文系统比较不同视觉表示及其迁移机制，分析潜特征和显式几何在空间理解中的作用。作者报告表示的3D结构与跨视角一致性、深度和重建准确率相关，并发现潜特征适合融合或蒸馏，而显式几何的收益更多依赖几何解码头。基于这些结论，论文将两类表示蒸馏到单一MLLM中，并报告其在静态3D与动态4D空间推理基准上的提升。
关注理由 研究3D几何与跨视角表示向多模态模型的迁移、蒸馏和融合，可作为3D场景语义理解与跨视角表示的支撑技术，但摘要未指明Gaussian表示。
Urbex：面向城市尺度三维场景的智能体空间定位
Urbex: Agentic Spatial Grounding for City-Scale 3D Scenes
论文将城市尺度三维定位从候选框排序转化为主动空间搜索。Urbex把场景表示为可交互的多视图环境，由视觉语言模型查询地标、缩放局部区域、渲染倾斜视图并提交目标边界框，再通过强化学习优化工具使用策略。在CityRefer上，作者报告其取得最佳Hit@1和IoU，并支持无需候选框的定位；在STPLS3D-Refer上显示出零样本跨场景鲁棒性。
关注理由 研究城市尺度三维场景中的语言指代表达定位，直接涉及城市三维场景理解与空间检索，可作为城市场景生成和编辑的支撑技术。
WorldRecon：面向大规模三维世界的生成式多视角网格重建
WorldRecon: Generative Multi-View Mesh Reconstruction for Large-Scale 3D World
WorldRecon 面向无位姿多视角图像下的大规模场景网格重建。方法以粗糙全局点云和相机位姿作为场景支架，将场景划分为重叠空间块，并利用局部点云裁剪与相关图像条件生成稀疏结构、细节几何和 PBR 材质；邻域感知潜变量修复及因果生成过程用于维持跨块一致性。作者报告其在合成和真实室内场景上相较最强基线降低 Chamfer 距离并提升 F-score，但摘要未涉及城市场景或 Gaussian 表示。
关注理由 论文研究从多视角 RGB 图像重建大规模三维场景网格，属于可扩展通用三维场景生成式重建，可作为城市场景生成的支撑技术；摘要未表明使用 Gaussian/splat 表示，也未明确城市数据。
待确认 · 2
PURE：利用无标注后训练改进前馈式3D重建
PURE: Refining Feed-forward 3D Reconstruction with Unlabeled Post-training
摘要显示论文提出无标注后训练框架，通过相对深度约束、仿射不变几何蒸馏和基于特征对应的位姿细化，提升动态视频中的几何预测稳定性。摘要未说明其是否输出或适配Gaussian/splat场景表示。
关注理由 研究动态视频中的前馈3D重建、深度和相机估计，但摘要未涉及Gaussian/splat表示，也未明确与城市生成任务直接关联。
World-T3：作为实时视频世界模型持久记忆的测试时训练
World-T3: Test-Time Training as Persistent Memory for Real-Time Video World Models
论文提出World-T3，通过测试时训练将历史观测整合进专用模型参数，并以在线姿态键控记忆读取既有场景特征，从而支持长时程一致生成。摘要报告其在回访基准上提升PSNR和旋转误差表现，并达到实时帧率。但摘要未说明其是否采用3DGS、2DGS，或是否面向城市/户外场景。
关注理由 论文研究通用视频世界模型的长时视觉记忆与一致性生成，摘要未明确涉及Gaussian表示、城市或户外场景生成，作为本筛选目标的直接支撑证据不足。