收集详情
采集完成 · 候选 1091 · 已筛选 1091
RSS 公告日期：2026-10-20
更新时间：2026-10-20T06:12:48.369548Z
中文总结由 AI 基于论文标题与作者摘要生成。
重点推荐 · 10
GeoForward：几何引导的前馈式三维 Gaussian Splatting 跨视角对齐
GeoForward: Geometry-Guided Cross-View Alignment for Feedforward 3D Gaussian Splatting
论文提出 GeoForward，将稀疏 LiDAR 点反投影到三维，并利用标定相机解析投影建立跨视角度量对应，再通过局部连续搜索结合视觉特征细化。该表示融合 VGGT 的全局多视图上下文，并分别预测度量深度和 Gaussian 属性；稀疏三维细化模块改善局部属性兼容性，同时保持几何确定的中心。针对时序重建，方法结合车辆掩码和运动先验组合端点 Gaussians。在 nuScenes 上，作者报告其取得最低的跨相机深度一致性误差和 Chamfer 距离，并保持有竞争力的重建质量。
关注理由 直接研究前馈式 3D Gaussian Splatting 重建，通过稀疏 LiDAR、标定相机与跨视角几何对应改进 Gaussian 场景表示。
HumanSkill-4D：可动画 Gaussian 头像的时空免训练语言查询
HumanSkill-4D: Training-Free Language Querying of Animatable Gaussian Avatars in Space and Time
论文提出 HumanSkill-4D，用免训练框架处理可动画 Gaussian 头像的语言指代表达分割。方法为每个头像建立语义记忆，将身体部位和服饰类别关联到持久 Gaussian 区域，并结合多模态语言模型与几何算子程序，根据外观、关系、功能和关节轨迹筛选空间区域及运动区间。作者在三个含人工标注的基准上报告，其方法优于基线，同时保持紧凑记忆并仅需数分钟设置。
关注理由 论文直接研究可动画 Gaussian avatar 的语言指代表达分割、局部编辑与运动区间查询，属于 Gaussian 场景表示的语义理解和编辑。
SwitchSplat：从随手捕获的场景中学习离散物体状态
SwitchSplat: Learning Discrete Object States from Casually Captured Scenes
论文针对传统 3DGS 假设场景静态、动态方法只能重放已见序列的问题，提出 base+slot 分解。共享基础表示不变场景，每个槽表示一个可交互物体的两个二元状态；通过可微 Gaussian 分配从视频中直接学习状态几何，无需人工标注。推理时可自由组合状态并从任意视角渲染。作者在新的随手捕获数据集上报告其新视角合成优于静态和动态基线，并支持捕获阶段未出现的状态组合。
关注理由 直接提出基于 3D Gaussian Splatting 的可组合离散物体状态表示与新视角渲染方法。
Stable Signer V3：用于手语生成的 4D 可变形原语 Splatting
Stable Signer V3: 4D Deformable Primitive Splatting Is All You Need for Sign Language Production
论文提出基于 4D 可变形原语 Splatting 的交互式高分辨率手语头像系统，针对表情受限、身份特定身体形变不准确及细节丢失等问题，引入共享面部原语、测试时身体原语和测试时超分辨率模块。两个测试时模块针对每个签名者身份优化一次，推理阶段使用存储的身份参数。作者报告在十个身份上面部几何误差降低 71.4%、身体边界误差降低 35.1%，高分辨率 RGB 重建误差降低 24.2%，同时保持交互式流式处理。
关注理由 论文明确采用 4D Deformable Primitive Splatting，研究可变形 splatting 表示及其高分辨率渲染，属于相关的 3D/4D splat 方法。
FineSplat：细粒度图像块、局部分组与详细 Splat
FineSplat: Fine Patches, Local Groups, Detailed Splats
论文针对前馈 3DGS 难以恢复细粒度几何和外观的问题，提出以细粒度图像块为基础的 FineSplat。方法采用双重局部分组：按视图分组以高效交互邻近视图，按三维空间分组以连接几何相关 token；同时利用重建误差作为渲染反馈，并设计紧凑的 Gaussian 生成方案。作者报告该方法在相同或更小 Gaussian 数量预算下取得显著优于现有方法的结果。
关注理由 论文直接研究前馈 3D Gaussian Splatting 的细粒度几何、外观恢复、紧凑表示与新视角合成。
MCSplat：面向驾驶场景的多视图光度与几何一致前馈Gaussian Splatting
MCSplat: Multi-View Photometric and Geometric Consistent Feed-Forward Gaussian Splatting for Driving Scenes
MCSplat面向稀疏多视图驾驶场景重建中的跨相机光度不一致与局部几何监督不可靠问题。方法通过深度引导的多相机对应关系构建规范外观空间，将几何学习与相机特定外观解耦，并用多尺度Bilateral Grid Transformer恢复原始相机外观；同时依据光度敏感性估计Fisher信息不确定性，自适应加权表面自监督。作者报告其在多个驾驶数据集上改善了重建质量和泛化能力，并提升跨视图深度一致性、表面法线一致性及重叠视图结构连贯性。
关注理由 直接研究稀疏多视图驾驶场景的前馈Gaussian Splatting重建，重点解决跨相机外观一致性和局部几何监督可靠性，属于3DGS核心方向。
RxGS：通过 BRDF 分解实现可重光照的 Gaussian 风格化
RxGS: Relightable Gaussian Stylization via BRDF Decomposition
论文指出现有参考图像三维场景风格化通常直接修改 RGB 外观，容易将风格化时的光照烘焙进表示，导致无法重新打光。RxGS 构建具有 BRDF 感知的 3D Gaussian 表示，仅优化由逆渲染得到的漫反射反照率，同时保留粗糙度、金属度、法线和环境光照。方法结合最近邻特征匹配损失与 Gaussian 中心的空间平滑先验。摘要报告其在 NeRF-Synthetic 场景上取得最低 GCC，并支持可重光照风格化。
关注理由 直接研究基于 3D Gaussian 表示的参考图像场景风格化，并通过 BRDF 分解保留可重光照能力，属于 3DGS 场景编辑与外观表示。
我们需要学习目标吗？用于二维 Gaussian 初始化的经典梯度监督
Do We Need Learned Targets? Classical Gradients as Supervision for 2D Gaussian Initialization
论文研究如何降低基于学习的 Gaussian 图像初始化对逐图优化监督的依赖。方法包括一种无需训练的解析初始化器，以及使用在线 Sobel 监督训练的神经初始化器。解析方法平均耗时 0.32 秒；两种方法在 Kodak 和 DIV2K 上取得有竞争力的长预算重建结果，并在 Manga109、Kvasir-SEG 等跨域测试中报告优于 Instant-GI 的表现。作者还估计 DIV2K 流程时间减少 4.9 倍。
关注理由 直接研究二维 Gaussian 图像表示的初始化，以 Sobel 梯度替代优化生成的监督目标，属于 2D Gaussian 方法扩展。
重新思考稀疏视角 3D Gaussian Splatting：从防止过拟合的少样本学习视角出发
Rethinking Sparse-View 3D Gaussian Splatting: A Few-Shot Learning Perspective on Overfitting Prevention
论文将稀疏视角 3DGS 重新解释为少样本学习问题，把 Gaussian 原语类比为神经元，并结合数据与训练正则化改进重建。方法通过光流引导的伪视图合成、联合相机—场景优化增强监督，并采用运动感知 dropout 和提前停止抑制过拟合。作者在 SIGGRAPH Asia 2025 体积视频挑战赛稀疏视角数据集上报告优于优化式和前馈基线的结果，并称系统获得该赛道第一名。
关注理由 直接研究稀疏视角下 3D Gaussian Splatting 的新视角合成、监督增强和过拟合抑制，属于核心 3DGS 重建与渲染任务。
Drive2Gauss：从多模态生成驾驶视频前馈重建 4D Gaussian 场景
Drive2Gauss: FeedForward 4D Gaussian Reconstruction from Multimodal Generative Driving Videos
论文提出 Drive2Gauss，将多模态视频生成与 4D Gaussian 重建结合。模型根据参考多视图图像和未来控制信号生成 RGB、度量深度及动态流，再由 Gaussian Query Decoder 用深度初始化稀疏三维查询、用光流关联时间，并通过时空特征聚合和迭代细化恢复动态场景。重建采用单次前馈过程，无需针对每个场景优化。在 nuScenes 上，作者报告未来 RGB 生成 FID 为 6.38、FVD 为 12.43，重建生成观察的 PSNR 为 29.91 dB，并支持横向相机位移直接渲染。
关注理由 直接研究由生成的 RGB、深度和动态流重建动态 4D Gaussian 场景，并支持跨视角渲染；虽面向驾驶环境，但摘要未明确其为城市生成方法。
相关方法 · 8
BlenderWorld：基于真实世界参考的三维创建视觉智能体评测
BlenderWorld: Benchmarking Visual Agents for 3D Creation from Real-World References
论文提出 BlenderWorld，用于评测多模态大模型通过代码或直接软件操作创建、编辑三维内容的能力。基准包含 223 个任务，覆盖建筑、产品、自然环境和科学可视化，输入包括文本、图像、视频及结构化规格；评测通过多视角渲染项目，并结合任务特定二元标准和整体视觉质量评分。作者报告对 13 个前沿模型的测试结果，其中 GPT-6-Astra 获得最高融合分数 79.9，同时指出模型在细粒度三维空间一致性和结构复现方面仍存在明显困难。
关注理由 面向包含建筑在内的真实世界三维创建任务，输入涵盖文本、图像、视频和结构化规格，属于可支撑建筑/程序化三维创建的评测工作，但不专门研究城市生成或 Gaussian 表示。
通用人工智能模型的 CAD 能力评估：GPT-6 Astra 案例研究
Assessing the CAD Capabilities of General-Purpose AI Models: A Case Study of GPT-6 Astra
论文系统评估 GPT-6 Astra 在 CAD 工作流中的模型理解、生成、编辑和评价能力。结果显示，该模型能够处理部分具有非平凡几何复杂度的任务，但在自由曲面几何、参数依赖、零件装配关系以及生成模型的有效性、功能性和可编辑性方面仍存在反复错误。智能体式迭代可改善结果，却不能稳定修复关键问题，较长完成时间也限制了实际工程应用。
关注理由 论文直接研究 CAD 模型理解、生成、编辑与评估，可作为程序化三维建模与生成的支撑技术；但摘要未涉及城市、建筑或 Gaussian 表示。
边缘设备上的定位与神经 Splatting：面向机器人的 FPGA 场景记忆
Localization and Neural Splatting on the Edge: An FPGA Scene Memory for Robots
论文提出 LENS 边缘场景记忆系统，将 ACEsplat 类工作负载部署到 AMD KR260 FPGA/ARM 平台。系统协同设计 INT16 场景坐标回归加速器和定点有序 3DGS 渲染器，并通过对 alpha 透射率的重写及无效 Gaussian 剔除降低资源开销。作者报告了板上测量的定位、渲染质量、延迟和能效结果，包括 Cambridge、RealEstate10K 与 Wayspots 场景上的性能，以及相对 Jetson Orin NX 的每瓦性能优势。
关注理由 论文直接涉及 3DGS 渲染、定位和边缘部署，属于 Gaussian 场景表示的系统与可扩展性支撑研究；但摘要未指向城市生成任务。
Gaussian 去向何处？面向相机弱监督三维占用的前景吸引
Where Do the Gaussians Go? Foreground Attraction for Camera-Based Weakly Supervised 3D Occupancy
论文关注仅使用图像像素渲染损失训练稀疏 Gaussian 三维占用模型时，小型前景目标获得的优化权重不足。作者提出仅用于训练的前景吸引损失，将前景伪标签像素结合伪深度反投影为三维点，并拉近附近且已预测目标类别的 Gaussian。在 Occ3D-nuScenes 上，前景密度比从 1.62 提升至 2.40，三次实验的平均前景 IoU 从 6.29 提升至 6.96；平均 mIoU 变化较小。
关注理由 直接研究稀疏 Gaussian 表示中的前景目标聚集与三维语义占用学习，属于 Gaussian 场景表示和语义理解方向。
SpaRV：用于可扩展几何一致激光雷达-视觉建图与渲染的稀疏辐射体素
SpaRV: Sparse Radiance Voxels for Scalable Geometrically Consistent LiDAR-Visual Mapping and Rendering
论文针对机器人轨迹视角稀疏、相机误差和大场景显存增长导致的辐射场重建困难，提出 SpaRV 稀疏辐射体素地图。方法以可微射线行进联合图像和不规则 LiDAR 监督，用深度、占用、法线和平滑正则约束几何，并交替优化地图、相机位姿和焦距；训练与渲染时采用分层八叉树管理子地图。摘要报告其在单张 24GB GPU 上重建包含 63,582 张图像的大学校园，并支持其他相机和 LiDAR 模拟。
关注理由 提出面向大规模机器人场景的稀疏辐射体素地图，用 LiDAR 与图像进行几何一致重建，并在大学校园场景验证；属于城市场景重建与可扩展表示支撑。
PlanarCityLoc：利用三维平面打破 LoD 航拍定位中的轮廓歧义
PlanarCityLoc: Breaking Silhouette Ambiguity in LoD Aerial Localization via 3D Planes
论文提出 PlanarCityLoc，针对仅依赖轮廓重叠的 LoD 城市定位方法容易产生相机姿态歧义的问题，利用建筑立面和屋顶的平面几何增强匹配。方法先进行几何感知初始化，再将图像侧平面块与 LoD 模型平面匹配，建立三维到二维对应关系并通过 PnP 优化位姿。作者在 UAVD4L-LoDv2 和 Swiss-EPFLv2 上报告了相较所评估免训练 LoD 方法更高的定位召回率。
关注理由 直接面向城市 LoD 模型中的建筑立面与屋顶几何，用于航拍城市定位；属于城市几何与建筑数据的直接支撑技术，但不是生成或 Gaussian 表示方法。
Mise-en-Video：多镜头视频生成的细粒度三维控制
Mise-en-Video: Fine-Grained 3D Control for Multi-Shot Video Generation
论文提出 Mise-en-Video，通过在三维空间中安排多镜头场景并生成对应视频，实现细粒度空间控制。框架结合分层注意力机制以保持多层次叙事一致性，并使用三维感知布局引导进行逐镜头空间控制。作者构建了包含分层多镜头文本和定向三维边界框的 16 万视频数据集，并报告其在视频质量、镜头间一致性和主体级可控性方面优于强基线。
关注理由 研究可控多镜头视频生成中的三维布局与空间控制，但摘要未涉及城市、街区、建筑或立面任务，属于与城市生成间接相关的通用场景生成方法。
InfiniDream：通过程序化生成构建开放式逼真三维世界
InfiniDream: Open-Ended Photorealistic 3D Worlds Through Procedural Generation
论文提出 VLM 驱动的 InfiniDream，用于开放式逼真三维世界的程序化生成。方法包括符号约束资产生成，利用已有程序算法创建新颖资产并保留可编辑性和基于种子的多样性；同时构建端到端文本到世界流程，通过语义场景规划与确定性视锥引导网格布置完成大规模对象放置、程序化填充和动画。作者在 100 个对象生成任务和 20 个场景生成任务上报告四项感知指标改进，并通过多样性分析、消融实验和人类偏好评估验证方法。
关注理由 直接研究可编辑、可控和可扩展的程序化三维世界生成，属于城市生成可借鉴的通用程序化场景创建支撑技术；摘要未明确城市、建筑或街区对象。
待确认 · 1
ReDT：分辨率解耦视觉几何 Transformer
ReDT: Resolution-Decoupled Visual Geometry Transformer
论文针对视觉几何 Transformer 在高分辨率输入下计算量大、重建质量下降的问题，提出 ReDT。方法将各视图映射为固定数量的基础 token，在紧凑空间计算对应关系，再投影回原分辨率进行稠密预测，从而将注意力计算与输入分辨率解耦。摘要报告其在多个分辨率数据集上兼顾重建质量与效率，并在 ETH3D 2K 上取得 16 倍加速、峰值显存降低 34%、Chamfer 距离降低 33%。
关注理由 研究高分辨率多视图三维重建的可扩展 Transformer，属于通用三维重建支撑技术；摘要未涉及 Gaussian/splat 表示或城市任务。