Zhu Low Key

作者：Hoang Chuong Nguyen, Renjie Wu, Jose M. Alvarez, Miaomiao Liu 单位：Australian National University; NVIDIA 会议：2026 Arxiv 链接：https://arxiv.org/abs/2605.13093 研究动机 Generalizable 3D Gaussian Splatting 的目标是跳过 per-scene optimization，用少量输入视角直接前馈预测一组 pixel-wise Gaussians，然后完成 novel view synthesis。PixelSplat、MVSplat、DepthSplat、TranSplat 等方法已经证明了这条路线的效率和泛化潜力。 但这篇论文指出，现有 pixel-wise feed-forward GS 有两个很实际的问题。 输入视角数变化会导致过亮。很多模型训练时只用固定数量的输入视角，例如 RealEstate10K 上常用 2 views；测试时如果给 4/8/16 views，同一 3D...

作者：Yuxin Du, Tao Lin, Zile Zhong, Runting Li, Xiyao Chen, Jiting Liu, Chenglin Liu, Ying-Cong Chen, Yuqian Fu, Bo Zhao 单位：School of Artificial Intelligence, Shanghai Jiao Tong University; The Hong Kong University of Science and Technology (Guangzhou); King Abdullah University of Science and Technology 会议：2026 Arxiv 链接：https://arxiv.org/abs/2605.11756 研究动机 现有单目深度估计通常是 image-centric 的：输入一张图，输出一张整图深度，训练和评测也主要把所有有效像素的误差聚合起来。这个设定对全局场景理解很合理，但很多真实任务其实不是平均地关心每个像素。 机器人抓取时更关心目标物体和接触边界，AR...

作者：Yu Ma, Zizhan Guo, Zuyi Xiong, Haoran Zhang, Yi Feng, Hongbo Zhao, Hanli Wang, Rui Fan 单位：College of Electronic and Information Engineering, Tongji University; Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University; National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Xi’an Jiaotong University 会议：2026 Arxiv 链接：https://arxiv.org/abs/2605.11578 研究动机 相对深度基础模型已经有很强的跨场景泛化能力，例如 MiDaS、DepthAnythingV2、Marigold...

作者：Prajnan Goswami, Tianye Ding, Feng Liu, Huaizu Jiang 单位：Northeastern University, Adobe Research 会议：CVPR 2026 链接：arXiv, Project, Code 研究动机视觉对应关系是 3D 视觉里非常底层的一类能力：给定同一场景的不同观测，模型要找出一个点在另一个观测里的对应位置。传统上这件事会按输入模态拆成三类任务：图像到图像的 2D-2D matching、图像到点云的 2D-3D matching、点云到点云的 3D-3D matching。 这篇论文想解决的问题不是单个 benchmark 的精度，而是一个更大的建模问题： 能否用一个共享权重的模型，同时处理 2D-2D、2D-3D 和 3D-3D 几何匹配？ 作者认为已有路线有三个关键限制： 基于 cost volume / pyramid / recurrent refinement 的 2D...

作者：Wonbong Jang, Philippe Weinzaepfel, Lourdes Agapito, Vincent Leroy, Jerome Revaud 单位：UCL, Naver Labs Europe 会议：2025 CVPR 链接：https://openaccess.thecvf.com/content/CVPR2025/papers/Jang_Pow3R_Empowering_Unconstrained_3D_Reconstruction_with_Camera_and_Scene_Priors_CVPR_2025_paper.pdf 研究动机 传统的SfM（如COLMAP）缺乏预先学习的先验，每个场景必须独立优化，且对异常值和挑战性条件很敏感 。 现有的3D视觉基础模型（如DUSt3R和MASt3R）输入空间受限，仅支持纯RGB图像输入，无法利用测试时可能获取到的辅助先验信息（如相机内参、相对位姿或稀疏/稠密深度图）...

作者：Juncheng Mu， Chengwei Ren，Weixiang Zhang， Liang Pan，Xiao-Ping Zhang，Yue Gao 单位：Tsinghua University, Shanghai AI Laboratory 会议：2025 ICCV 链接： https://github.com/mujc2021/Diff2I2P 研究动机1.当前的Image-to-Point Cloud的方法主要依靠度量学习来强制对齐图像和点云的特征空间，而忽略了两个模态之间存在的模态差距 2.非对齐的图像-深度会导致预训练扩散模型的预测能力下降，产生严重的生成伪影 3.梯度无法反向传播至骨干网络 核心方法 1.可微标定利用KPConv和ResNet分别提取特征，然后采用多尺度块匹配策略来缓解尺度不匹配问题。在选取相似度最高的前 K 个点-像素对之后，得到初始的对应点 可变性对应点调整：对于每一对初始的对应点，在gt的转换下，DCT都预测一个点偏移来对齐对应点： C = \{(x_i + \Delta p_i, y_i) \mid (x_i, y_i) \in...

作者：Xianze Fang, Jingnan Gao, Zhe Wang, Zhuo Chen, Xingyu Ren, Jiangjing Lv, Qiaomu Ren, Zhonglei Yang, Xiaokang Yang, Yichao Yan, Chengfei Lv 单位：Alibaba Group, Shanghai Jiao Tong University 会议：2025 Arxiv 链接：https://arxiv.org/abs/2507.16290 研究动机1.现有三维重建方法对各个几何属性是孤立估计的，忽略了多任务学习的相互约束（但是好像一直在强调Dust3R，估计忽略了VGGT） 2.表面法线对于捕捉物体的精细结构和局部几何特征至关重要（相较于VGGT的不同之处） 3.构建真正通用的 3D 视觉基础模型（但是看起来VGGT更加适合这个定义） 核心方法 1.模型结构参考Dust3R才用了shared encoder，同时将decoder也设置为shared...

作者：Zhiyuan Zhou, Ruofeng Liu, Taichi Liu, Weijian Zuo, Shanshan Wang, Zhiqing Hong, and Desheng Zhang 单位：Rutgers University，Michigan State University，JD Logistic，The Hong Kong University of Science and Technology (Guangzhou 会议：2026 Arxiv 链接：https://github.com/zhiyuandaily/Any2Full 研究动机1. 现有RGBD融合方法的局限性传统深度补全方法联合学习RGB分布和特定深度模式，导致： 域局限性：在光照、纹理、场景变化等视觉域偏移下性能下降 模式敏感性：对不同传感器产生的异构深度模式（稀疏密度、缺失区域、测距限制）鲁棒性差 2....

作者：Nicolas von Lützow, Barbara Rössle, Katharina Schmid, and Matthias Nießner 单位：Technical University of Munich 会议：2026 Arxiv 链接：https://arxiv.org/pdf/2603.26661v1 研究动机1.三维场景的生成是一个逐渐拓展的过程，因此需要将三维空间视为结构化的序列，逐步重建 2.当前的三维生成方法虽然质量高，但是全局生成，无法进行补全、拓展、编辑。 核心方法 1.基于稀疏三维潜在编码的场景压缩将高斯元投影为三维特征网格：根据三维高斯元的位置分配到对应的体素网格中，并用他们相对体素中心的偏移量代替绝对位置。若体素中包含多个高斯元，则进行采样。然后用一个轻量化的编码器编码为高斯特征 使用稀疏三维卷积自编码器编码网格：采用编码器将网格编码为紧凑的潜在表示，解码器则重建出体素级的特征 通过向量量化离散化潜在表示：编码器的输入根据符号离散化为0和1并对应codebook的索引 \mathcal{L} =...

作者：Wooseok Jang, Seonghu Jeon, Jisang Han, Jinhyeok Choi, Minkyung Kwon, Seungryong Kim, Saining Xie, and Sainan Liu 单位：KAIST AI ，New York University ，Intel Labs 会议：2026 Arxiv 链接：https://cvlab-kaist.github.io/GLD 研究动机1.早期的生成式方法虽然能够生成逼真的图像，但是往往在几何上不一致 2.使用一个已经将几何结构编码进去的潜在空间，来进行新视角的生成 3.几何基础模型的特征空间可以作为新视角合成的有效潜在空间 核心方法 1.验证几何特征的重建能力训练一个基于ViT的解码器，将DA3的特征用来重建RGB图像，通过随机mask单独特征，迫使解码器从部分输入进行重建 2.Multi-view Diffusion与Boundary...