CVPR2026 几何匹配与定位论文解读论文笔记 3D 高斯渲染 SLAM 人体姿态对抗鲁棒目标跟踪对齐/RLHF

🧊 几何匹配与定位¶

📷 CVPR2026 · 100 篇论文解读

📌 同领域跨会议浏览： 🧠 NeurIPS2026 (4) · 🎞️ ECCV2026 (77) · 🔬 ICLR2026 (12) · 🧪 ICML2026 (2) · 🤖 AAAI2026 (1) · 🧠 NeurIPS2025 (6)

🔥 高频主题： 3D 高斯渲染 ×14 · SLAM ×11 · 人体姿态 ×8 · 对抗鲁棒 ×7 · 目标跟踪 ×7

3D-Object Perception Transformer (3PT): 3PT 用一个端到端训练、直接以 CAD 模型为条件的统一 Transformer 框架（检测 + 物体分组 + 迭代精化）替代了现有"冻结基础模型拼装 + 依赖深度"的零样本 3D 物体感知流水线，仅靠多视角 RGB 就在 BOP 系列基准的检测和 6DoF 位姿上大幅超过 SOTA（工业数据集位姿 AP-mm 相对提升 56.5%），并在 BOP Challenge 2025 的 11 个赛道中拿下 7 个第一。
Nope-SGS：从无位姿脉冲流重建 3D 高斯: 本文提出 Nope-SGS，第一个无需相机位姿先验、直接从脉冲相机（spike camera）原始脉冲流重建高速 3D 场景的框架：通过把脉冲成像重新建模成二项分布、从单帧不稳定脉冲里恢复出稳定的归一化监督信号（NBDS），再配合关键帧筛选与渐进式优化，同步求解相机轨迹与 3D 高斯，PSNR 最高比 SOTA 高 7.4dB、ATE 低 40%，且是脉冲方法里最快的。
ActivePolicy: Active Gaussian Reconstruction and Optimization Strategy Based on Global-Local Information Gain: ActivePolicy 把主动 3D 高斯重建的下一最佳视角（NBV）选择改写成一个图谱稳定性优化问题——构建一张同时编码几何不确定性、渲染质量和视角冗余的 GL-Graph，用归一化拉普拉斯的 Fiedler 向量挑视角；再配一套基于黎曼深度流形不一致的 floater 检测 + 置信加权随机 dropout（4D-Reg）抑制稀疏视角过拟合，在 Replica/MP3D 上同时拿到 SOTA 的几何完整度和渲染保真度。
Adaptive 3D Perception for Small Aerial Targets Under Sparse Sampling via Reinforcement Learning: 针对远距 LiDAR 下小型空中目标（鸟、无人机）点云极度稀疏且随运动剧烈抖动的问题，A3PRL 用一个轻量 5 维强化学习策略，根据无标签的稀疏度/接受率/轨迹连续性统计量，在线联合调节体素分辨率、检测阈值和关联门限，把"固定参数感知流水线"改造成"闭环自适应感知-控制系统"，在 MMAUD 跨场景测试上把 3D 定位误差降低约 19%。
AERGS-SLAM: Auto-Exposure-Robust Stereo 3D Gaussian Splatting SLAM: 针对真实场景里相机自动曝光（AE）导致的图像外观漂移破坏 3DGS 光度一致性的问题，AERGS-SLAM 用一个把"渲染辐照图"和"曝光过程"解耦的相机曝光网络（CEN）+ 学习式光照鲁棒特征定位 + 时序感知的由粗到细优化，做出第一个抗曝光变化的解耦式 3DGS SLAM，在定位精度和高保真重建上都超过现有 baseline，且渲染比 HDR-GS 快近 10 倍。
Affine Perspective-Three-Point Problem: 把经典 P3P（三点位姿求解）放到弱透视/准透视这两种仿射相机模型下，推导出只需解一个双二次方程的闭式最小求解器，再用一个轻量的迭代升级把仿射解"修"成精确透视解，两步迭代就能在精度上追平 SOTA 的精确 P3P 求解器，且更快。
AlignPose: Generalizable 6D Pose Estimation via Multi-view Feature-metric Alignment: AlignPose 把多张已标定 RGB 视图里各自单视角估出的物体位姿候选，先用 3D NMS 聚合成唯一候选，再用一个跨所有视图同时最小化「在线渲染特征 vs 观测图像特征」差异的多视角特征度量精修，求出一个全局一致的世界坐标系位姿；整个过程不需要任何针对物体的训练或对称性标注，在工业级无纹理/反光/透明物体数据集上比已有方法领先 14% 以上。
AsymLoc: Towards Asymmetric Feature Matching for Efficient Visual Localization: AsymLoc 提出"非对称视觉定位"——离线用大 Teacher 处理地图库图、在线用极小 Student 处理查询图，通过几何匹配损失 + 联合检测-描述子蒸馏把 Student 特征对齐到 Teacher，使两者能直接用无参数互最近邻匹配，在模型缩小一个数量级时仍保留约 95% 的 Teacher 定位精度。
Best Segmentation Buddies for Image-Shape Correspondence: 本文提出 Best Segmentation Buddies（BSB），把"像素-顶点互为最近邻"这个在图像↔3D网格之间几乎无法成立的硬约束，松弛成"分割区域级别的互最近邻"，从而在无标注、零训练的情况下，把一张野外图像里点击的语义部件，对应到一个无纹理 3D 网格上的对应部件。
Beyond Reassembly: Fractured Object Recovery with Missing Parts: 针对"碎片有缺失、甚至有孤立碎片无法对齐"的真实考古场景，本文提出全新的碎片物体恢复（fractured object recovery）任务，用一个 Transformer 把"估计现有碎片位姿"和"预测缺失碎片形状"两件事联合求解——缺失部件被表示成可学习的掩码 token，与现有碎片特征相互关联，从而在没有重叠先验时也能靠形状先验把整个物体补全，在位姿和补全两项指标上都超过把"组装+补全"拆成两段的基线。
Block-Sparse Global Attention for Efficient Multi-View Geometry Transformers: 针对 VGGT / π³ / MapAnything 这类前馈多视图几何 Transformer，作者发现其全局注意力矩阵高度稀疏（概率质量集中在少数对应跨视图几何匹配的 patch 对上），于是用一个免训练的块稀疏注意力直接替换稠密全局注意力，推理加速 3×（长序列上更多），而重建/位姿精度基本不掉。
Breaking the Scalability Limit of Multi-Projector Calibration with Embedded Cameras: 把若干相机直接嵌进标定板表面、让它们的光心贴在标定平面上，使所有投影仪能"同时"打结构光、靠入射方向把重叠的图案分离解码，从而把多投影仪标定所需的投影-拍摄次数从"随投影仪数线性增长"压到"近似常数"——25 台投影仪标定从 1100 张图案 12 分钟降到 54 张，精度仍与传统逐台标定相当。
C-GenReg: Training-Free 3D Point Cloud Registration by Multi-View-Consistent Geometry-to-Image Generation with Probabilistic Modalities Fusion: C-GenReg 用一个预训练的 World Foundation Model（Cosmos-Transfer）把输入点云的几何渲染成「多视角一致的 RGB 视图」，再交给为稠密匹配预训练的 VFM（MASt3R）提对应，并用一套 Noisy-AND 概率融合把图像分支和原始几何分支的对应后验合并起来——全程零训练、即插即用，首次让生成式配准框架成功跑在真实室外 LiDAR 上。
CoLoR: The Devil is in Scene Coordinate Regression for Large-Scale Visual Localization: CoLoR 把大规模场景坐标回归（SCR）失败的"罪魁"诊断为单视点无监督和全局/局部特征不一致，用"多视/单视点显式划分 + 两阶段强监督（多视重投影 + 伪深度自举）"给场景里每一个点都补上监督、再用 MoCo 对比学习把局部特征重训成像素级检索特征，在 Aachen 和现代百货大楼等大规模数据集上把 SCR 推到 SOTA，并以几十 MB 的地图把和特征匹配（FM）方法的精度差距大幅缩小。
ConceptPose: Training-Free Zero-Shot Object Pose Estimation using Concept Vectors: ConceptPose 把"给物体的 6D 位姿"这件事彻底变成了语义匹配：用 LLM 给物体类别自动生成一串文字"概念"，再用 VLM 的可解释性热力图（GradCAM）把每个概念在两张图上定位、反投到 3D，得到每个点的"概念向量"，最后靠跨视角的概念向量匹配 + RANSAC 直接算相对位姿——全程不训练、不需要 CAD 模型，却在四个真实 RGB-D 基准上把最强 baseline 的 ADD(-S) 平均拉高了 62.8%。
Copy-Transform-Paste: Zero-Shot Object-Object Alignment Guided by Vision-Language and Geometric Constraints: 给定两个网格和一句描述它们空间关系的文本（如"皮诺曹戴着帽子"），本文不训练新模型，而是在测试时直接用可微渲染把网格渲成图、用 CLIP 图文相似度的梯度去优化源网格的相对位姿和尺度，再叠加"分数 soft-ICP 贴合项 + 反穿透项 + 分阶段调度 + 相机聚焦"保证物理合理，在自建的 50 对基准上语义一致性和穿透体积都优于所有几何/LLM baseline，用户研究里 85% 的人认为它的结果最符合描述。
Cov2Pose: Leveraging Spatial Covariance for Direct Manifold-aware 6-DoF Object Pose Estimation: 针对单张 RGB 图像的 6-DoF 物体位姿估计，本文提出 Cov2Pose：用空间协方差池化把骨干特征编码成对称正定（SPD）矩阵以保留二阶统计量，再经流形感知的 BiMap+ReEig 层压缩到紧凑 SPD 码，最后用可微 Cholesky 分解把该 SPD 矩阵一一映射成连续 6D 旋转 + 平移，端到端直接回归位姿，在 LM/LM-O/YCB-V 上取得直接回归方法的 SOTA。
Cross-Instance Gaussian Splatting Registration via Geometry-Aware Feature-Guided Alignment: 提出 GSA（Gaussian Splatting Alignment），首个实现跨实例类别级 3DGS 模型配准的方法，通过几何感知特征引导的粗配准（扩展 ICP 求解相似变换）和多视角特征一致性的精配准，在同物体和跨物体场景下均大幅超越现有方法。
Dark3R: Learning Structure from Motion in the Dark: 提出 Dark3R 框架，通过教师-学生蒸馏将 MASt3R 的3D先验迁移到极端低光照（SNR < −4 dB）原始图像上，实现了传统方法完全失败的暗光环境下的运动恢复结构（SfM）和新视角合成。
DROID-W: DROID-SLAM in the Wild: 提出 DROID-W，通过将不确定性估计引入可微分 Bundle Adjustment（Uncertainty-aware BA），结合 DINOv2 特征驱动的动态不确定性更新机制和单目深度正则化，使 DROID-SLAM 在高度动态的野外（in-the-wild）场景中实现鲁棒的相机位姿估计和场景重建，约 10 FPS 实时运行。
Dynamic Visual SLAM using a General 3D Prior: 把经典的 patch-based 光流 SLAM（DPV-SLAM）和前馈三维重建大模型（π³）紧耦合：用前馈模型预测的运动掩膜剔除动态像素、用它的深度先验稳住 bundle adjustment，并通过和 SLAM 稀疏点云做尺度对齐解决前馈模型的跨 batch 尺度漂移，从而在动态场景下同时得到准确位姿、干净的运动分割和尺度一致的稠密深度。
E2EGS: Event-to-Edge Gaussian Splatting for Pose-Free 3D Reconstruction: 提出 E2EGS，一个完全基于事件流的无位姿 3D 重建框架：通过 patch-based 时间一致性分析从事件流中提取抗噪边缘图，利用边缘信息指导高斯初始化和加权损失优化，在无需深度模型或 RGB 输入的情况下实现了高质量的轨迹估计和 3D 重建。
EfficientVPR: Toward Efficient Visual Place Recognition via Scene-Aware Prompt Tuning and Adaptive Feature Enhancement: 用一套"场景自适应的视觉提示微调（SceneVPT）+ 实例相关的关键局部特征增强模块"在最轻的 DINOv2-small 上做单阶段视觉地点识别，描述子只有 3456 维，却把同规模方法全部超过，相比 DINOv2-large 的两阶段 SOTA 提速约 73× 而平均 R@1 只差 2.5% 以内。
EmbodMocap: In-the-Wild 4D Human-Scene Reconstruction for Embodied Agents: EmbodMocap 用两台手持 iPhone 的 RGB-D 视频，把场景、相机轨迹、人体运动联合标定到同一个度量世界坐标系里，实现"野外"低成本的 4D 人体-场景捕捉，捕到的数据可同时喂给单目人体场景重建、物理角色动画、真机人形机器人控制三类具身任务。
Emergent Extreme-View Geometry in 3D Foundation Models: 作者发现像 VGGT 这类 3D 基础模型（3DFM）虽然只在有重叠的图像上训练，却"涌现"出了对极端/无重叠视角的几何理解，并据此提出只调骨干网络中约 8 万个偏置参数（冻结所有解码头）的轻量对齐方案，把无重叠图像对的中位旋转误差从 42.4°降到 13.1°，同时不损害深度和点图质量。
Emergent Outlier View Rejection in Visual Geometry Grounded Transformers: 作者发现前馈式三维重建模型 VGGT 在没有任何离群监督的情况下，其末层的注意力/特征表示天然会压低无关的干扰视图，于是直接用这些内部信号给每张视图打分、单一全局阈值过滤掉干扰图再重建，得到一套零参数、免训练的 RobustVGGT，在含噪的真实图像集合上稳定优于各种检索式预过滤基线。
Energy-GS: Image Energy-guided Pose Alignment Gaussian Splatting with redesigned pose gradient flow: Energy-GS 只用 RGB 图像，同时优化 3D 高斯泼溅场景和不准的相机位姿——通过"冻结高斯位置"让位姿梯度稳定下来，再用图像奇异值能量分解模拟出 NeRF 那种从粗到细的对齐过程，在合成与真实数据集上把位姿精度做到 SOTA、渲染质量与 BARF/3R-GS 持平。
EV-CGNet: Co-visible Focused 3D-guided 2D Event Keypoint Detection Network: EV-CGNet 用事件点的细粒度时空线索去引导事件帧特征原型学习（G2PL），再用跨帧自注意力把关键点检测约束在两帧共视区域上（CDDL），在 6 个事件相机基准上的重投影误差、位姿估计和 SLAM 轨迹误差全面超越 SuperEvent 等 SOTA。
Exploring 6D Object Pose Estimation with Deformation: 针对现有 6D 位姿估计普遍假设物体"刚性、与标准 CAD 完全一致"这一在现实中常常失效的前提，本文构建了首个显式刻画形变的数据集 DeSOPE——对 26 类日用品各扫描 1 个标准件 + 3 个递增形变件（轻/中/重），用 flow 驱动配准把形变网格对齐到标准网格，并通过半自动管线在 133K RGB-D 帧上产出 665K 条位姿标注；实验证明形变越严重，主流方法掉点越狠，揭示"刚性假设"是当前位姿管线一个被严重低估的短板。
Fast Markov Random Field Optimisation for Topologically Noisy 3D Shape Matching: 把非刚性 3D 形状匹配重新写成一个三角形多标签 MRF 问题，用一个只在目标形状上度量测地距离的成对代价（pseudometric）保证邻域平滑，再用一个为本文标签空间定制的 α-expansion 变体在线性时间内求解，从而在拓扑噪声（亏格变化）场景下同时做到准、稳、快。
Fast Spatial Tracking with Visual Geometry Transformer: 本文用一个前馈的视觉几何 Transformer 直接从单目视频预测任意查询点的 2D/3D 轨迹，靠"全局分支 + 帧级分支 + 双向交互"的双分支设计取代了传统 3D 跟踪对稠密深度估计和场景重建的依赖，做到 28 ms/帧的实时速度同时在 TAPVid-3D 上拿到 19.0 AJ / 28.9 ADP 的 SOTA。
Flow3r: Factored Flow Prediction for Scalable Visual Geometry Learning: 提出"分解式光流预测"（Factored Flow）模块，用源视图的几何 latent + 目标视图的位姿 latent 预测光流，使无标注视频可作为三维几何学习的监督信号，在静态/动态场景的 8 个基准上达到 SOTA。
Flow4DGS-SLAM: Optical Flow-Guided 4D Gaussian Splatting SLAM: 针对动态场景下的 3DGS SLAM，本文用「相机自运动 + 光流」做类别无关的动态/静态分解，并用「显式关键帧高斯中心 + GMM 时变透明度/旋转」的混合 4D 高斯表示，配合场景流传播与自适应插入加速动态高斯训练，在跟踪精度、渲染质量和速度上同时超过 4DGS-SLAM（mapping 从 110 秒/步降到 6 秒/步）。
From Corners to Fiducial Tags: Revisiting Checkerboard Calibration for Event Cameras: 本文提出首个不依赖灰度图重建、直接在事件域检测棋盘格角点的事件相机标定框架：先用数学分析证明"角点处几乎不产生事件"，再用边缘线索初始化角点、把角点朝事件密度最小处精化到亚像素，并把同一套检测扩展到 AprilTag，在自采与公开数据上都取得了稳定标定。
From Feature Learning to Spectral Basis Learning: A Unifying and Flexible Framework for Efficient and Robust Shape Matching: 针对深度泛函图匹配长期只优化"特征"、却把"谱基"当成固定不变的盲点，本文提出 Advanced Functional Maps：用一组可学习的"抑制函数" \(G\) 把固定的拉普拉斯特征基 \(\Phi\) 变成可学习基 \(\Psi=\Phi G\)，并以一个轻量的多尺度热扩散网络端到端联合优化特征与谱基，在非等距、拓扑噪声等困难场景下显著超越只学特征的 SOTA，同时因抛掉了泛函图求解器而更快更稳。
From Pairs to Sequences: Track-Aware Policy Gradients for Keypoint Detection: 将关键点检测从「图像对匹配」范式转变为「序列级可追踪性优化」，通过强化学习框架 TraqPoint 在图像序列上直接优化关键点的长期追踪质量，在位姿估计、视觉定位、视觉里程计和三维重建任务上均超越 SOTA。
FUSER: Feed-Forward Multiview 3D Registration Transformer and SE(3)\(^N\) Diffusion Refinement: FUSER 把"多视角点云配准"从传统的"逐对匹配 + 位姿图同步"两段式流水线，改造成一次前馈推理：把所有扫描一起塞进一个紧凑潜空间联合推理、直接回归每个扫描的全局位姿，再用一个在联合 SE(3)\(^N\) 空间上的扩散模型 FUSER-DF 做精修；在 ScanNet/3DMatch/ArkitScenes 上精度大幅领先，且把单序列耗时从几百上千秒降到秒级。
Fusion of Depth and Semantics for Probabilistic Floorplan Localization: 本文把"用一张 RGB 图在 2D 平面图上估计相机位姿"的射线匹配任务做成了一个概率框架：在共享表征上耦合预测深度射线与语义射线、用基于分布的置信度给每条深度射线打权重、再用 JSD 做软语义匹配，从而同时压制室内场景中的环境/几何/语义三类歧义，在 Structured3D 和 ZInD 上把 1m·30° 召回率显著推高（S3D-full 57.5%→71.4%）。
Generalizable Structure-Aware Keypoint Correspondence for Category-Unified 3D Single Object Tracking: UniKPT 提出用一组自适应稀疏关键点替代逐点稠密匹配，通过"自适应关键点提取 → 渐进式对应对齐 → 置信度感知结构定位"三模块，在单个模型里统一跟踪行人、卡车、巴士等差异巨大的类别，在 nuScenes 上比类别专属 SOTA 还高出 4.37%/5.16%（Success/Precision）。
Generalized-CVO: Fast and Correspondence-Free Local Point Cloud Registration with Second Order Riemannian Optimization: G-CVO 把点云表示成 RKHS 里的连续函数、用各向异性核编码局部表面几何，再用带近似黎曼 Hessian 的二阶高斯-牛顿在 SE(3) 流形上求解配准，做到无需点对应、对特征稀疏场景鲁棒，且比同类一阶 RKHS 方法快约 10 倍。
Global-Aware Edge Prioritization for Pose Graph Initialization: 提出基于GNN的全局边优先级排序方法，将位姿图初始化从独立的逐对图像检索升级为全局结构感知的边排序+多最小生成树构建，在极稀疏设置下显著提升SfM重建精度。
Global Structure-from-Motion Meets Feedforward Reconstruction: GLUEMAP 把经典全局 SfM 的可扩展性/全局一致性和前馈多视图重建网络（π³）的局部鲁棒性拼在一起：用稀疏视图图限制前馈网络只做局部推理、用全局运动平均把上万张局部重建拼成全局解、再用"虚拟轨迹"增强束调整，在 5 个差异极大的数据集上同时超过纯经典和纯前馈方法，并能扩展到数万张图像、跑在单张 RTX 4090 上。
Globally Optimal Pose from Orthographic Silhouettes: 给定一个已知 3D 模板和它在图像里的一条无遮挡轮廓线，本文把"从轮廓求位姿（Pose-from-Silhouette, PfS）"建模为在 \(\mathbb{SO}(3)\) 上最小化两条轮廓的 Hausdorff 距离，利用"轮廓面积随旋转连续变化"这一被忽视的性质把搜索空间强分支，得到第一个对任意形状（不限凸性与亏格）、无需对应点的全局最优 PfS 解法，在合成与真实数据上的朝向误差比最接近的基线低 ~86%–90%。
GM-R²: Generative Matching Learning for Unsupervised Geometric Representation and Registration: 把"学几何描述子"重新表述成"用几何条件生成跨视图图像"这个代理任务——只有当两片点云的几何特征是对应一致的，被它们条件化的生成器才能合成出一致的跨视图图像；GM-R² 用这个生成一致性当隐式监督训练 ControlNet 编码器，在 3DMatch / ScanNet 上做到无监督配准 SOTA，甚至超过部分全监督方法。
Hg-I2P: Bridging Modalities for Generalizable Image-to-Point-Cloud Registration via Heterogeneous Graphs: Hg-I2P 引入异构图（Heterogeneous Graph）来统一建模 2D 图像区域和 3D 点云区域之间的关系，通过多路径邻接关系挖掘学习跨模态边、基于异构边的特征适配和基于图的投影一致性剪枝，在六个室内外跨域基准上实现了最优的泛化能力和精度。
Hierarchical Visual Relocalization with Nearest View Synthesis from Feature Gaussian Splatting: 提出 SplatHLoc，一种基于 Feature Gaussian Splatting 的分层视觉重定位框架，通过自适应视点检索合成更接近查询的虚拟视图，并设计混合特征匹配策略（渲染特征用于粗匹配、半稠密匹配器用于细匹配），在室内外重定位基准上取得 SOTA。
Homaloidal parametrization for detecting critical two-view configurations: 本文用射影几何里的"同伦二次曲线网（homaloidal net of conics）"给两视图临界曲面退化检测设计了一个全新的二次变换参数化，使得只需对 7 组图像对应点解一个线性系统就能拟合二次变换、再用第 8 点做检验，从而在不预先估计基础矩阵的前提下判定一组对应点是否退化，比唯一可比的 Luong–Faugeras 方法精度更高、速度快约 200×。
HumanBA: Human-Aware Bundle Adjustment via Global Human-Camera Decoupling: 针对单目视频里前景人体占满画面导致传统 SLAM 失效的问题，HumanBA 不再把人当作要被掩盖的动态干扰，而是先用 HMR 估计出人体自身运动并从观测轨迹里减掉它，得到一组"伪静态"人体关节地标，再按运动稳定性自适应加权后塞进光束法平差（BA），让相机位姿和全局人体重建在迭代中相互增益，在 EMDB2 / SLOPER4D 上同时降低了相机与人体的轨迹误差。
KV-Tracker: Real-Time Pose Tracking with Transformers: KV-Tracker 把离线多视图几何大模型（π3）改造成实时系统：把建图阶段关键帧在全局注意力里算出的 Key-Value 对缓存下来当作场景表示，跟踪时只用单帧 query 去 attend 这份缓存，把每帧推理从 \(O((NM)^2)\) 降到 \(O(M^2(N{+}1))\)，在 TUM/7-Scenes/ARCTIC/OnePose 上以约 27 FPS 实现无漂移的 6-DoF 相机与零先验物体跟踪。
Landscape-Awareness for Geometric View Diffusion Model: 针对"用 Zero123 噪声空间 MSE 做两视图相机位姿估计时，损失曲面布满局部极小、必须靠暴力多初始化才能收敛"的痛点，本文先把优化失败的根因归结为物体几何对称/自相似造成的 landscape 局部极小，再用一个 score 网络在第一阶段把更新方向重塑到真值位姿的高似然区，第二阶段再用冻结的 Zero123 MSE 做精修，从而在几乎不依赖多初始化的前提下大幅提升成功率与采样效率。
Learning Scene Coordinate Reconstruction from Unposed Images via Pose Graph Optimization: 在无监督场景坐标回归框架 ACE-Zero 之上引入位姿图优化（PGO），用预测出的场景坐标自动构边、再用对极+光流双几何先验给每条边估置信度做加权全局优化，把原本只做局部精化、容易漂移的相机位姿拉到全局一致，PSNR 追平甚至超过 COLMAP，且重建时间从 38h 压到 30min。
Linear Fundamental Matrix Estimation from 7 or 5 Points: 本文给出"7点基础矩阵估计在一种特殊点线构型（V-Umlaut：5点落在两条线上）下唯一可解"这一现象的初等几何解释，并首次给出该极小问题的线性求解器；进一步把它当成一个 5 点求解器（用两个虚拟中点补足），配合 Early Non-Minimal Refitting，在 RANSAC 下做到精度与 SOTA 5 点法相当、运行时却快数倍。
LongStream: Long-Sequence Streaming Autoregressive Visual Geometry: 提出LongStream，一种gauge-decoupled的流式视觉几何模型，通过关键帧相对位姿预测、正交尺度学习和缓存一致性训练，实现千帧级别稳定的度量尺度实时（18 FPS）场景重建。
MERG3R: A Divide-and-Conquer Approach to Large-Scale Neural Visual Geometry: MERG3R 是一个无需训练的分治框架，把上千张无序图像先排序、再切成有重叠的子集分别用 VGGT/π³ 这类几何基础模型重建，最后通过全局对齐 + 置信度加权束调整拼成全局一致的点云，让原本受限于显存的前馈式重建模型能处理远超其原生上限的图像集。
MHopReg: Efficient Hierarchical Multi-Hop Graph Search for Point Cloud Registration: MHopReg 把基于对应关系的点云配准外点剔除做成「分层多跳图搜索」：先用 SE(3) 等变图编码预测对应置信度，再用簇平衡种子采样保证碎片化内点也被覆盖，然后从种子出发沿兼容性图逐跳扩张内点，最后用兼顾几何一致性与空间覆盖度的分布感知排序选最优变换，在低重叠和大规模场景下兼顾精度与效率。
Minimal Constraint Relaxation for Multiview Autocalibration: 针对三视图 Kruppa 自标定方程"过约束（45 个方程、5 个未知量）导致无解或病态"的老问题，本文提出"极小松弛（minimal relaxation）"框架——系统性地只保留方程的某个子集，用符号计算 + 数值同伦延拓穷举所有能得到有限解的子集，发现唯一可行的 \((1,2,2)\) 选取模式，再用 Jacobian 条件数离线挑出一个"全局最优（Global-Best）"松弛，在合成与真实数据上都比经典 Kruppa 公式和近期分支定界方法更稳更准。
MV-RoMa: From Pairwise Matching into Multi-View Track Reconstruction: 提出 MV-RoMa，首个多视图稠密匹配模型，通过 Track-Guided 多视图编码器和像素对齐多视图精炼器从一张源图同时估计到多个目标图的稠密对应关系，产生几何一致的轨迹用于 SfM，在 HPatches/ETH3D/IMC 等基准上全面超越现有方法。
ODGS-SLAM: Omnidirectional Gaussian Splatting SLAM: ODGS-SLAM 是首个把 3D 高斯泼溅（3DGS）作为统一表示用于全向（360° 全景）相机 SLAM 的系统：它给 3DGS-SLAM 的反传管线补上等距柱状投影下对相机位姿的解析梯度、用纬度加权抵消赤道-极点畸变、再用一套基于图分析的关键帧移除策略压内存，从而在全景输入上同时完成相机跟踪与稠密建图，跟踪精度（ATE RMSE）统计显著优于现有全向及透视 3DGS-SLAM 方法。
Online3R: Online Learning for Consistent Sequential Reconstruction Based on Geometry Foundation Model: Online3R 给冻结的几何基础模型（MASt3R-SLAM）插一组轻量可学习视觉提示，在测试时用「局部融合伪真值 + 全局参考帧不变性」两个自监督约束在线更新提示，让前馈重建网络边重建边适应新场景，从而消除序列重建的不一致与长程漂移，并在多个位姿/几何基准上超过此前 SOTA。
OpenVO: Open-World Visual Odometry with Temporal Dynamics Awareness: 提出 OpenVO，一个面向开放世界的单目视觉里程计框架，通过时间感知流编码器和几何感知上下文编码器，在无相机标定、帧率变化的条件下实现鲁棒的真实尺度自车运动估计，跨数据集 ATE 提升超 20%，变帧率场景误差降低 46%-92%。
Optical Flow Matching: Reframing Optical Flow as Continuous Transport Dynamics: 把光流从"两帧间离散位移回归"重新表述成"沿时间连续输运像素坐标的速度场学习"，并用一个三角速度协同（TVS）技巧把 Flow Matching 的理论目标和光流网络能用的监督信号对齐，在 Sintel / KITTI / Spring 上同时拿到 SOTA 精度和更强的跨数据集泛化。
ORBIT: Benchmarking SfM in the Wild with 360° Video: ORBIT 用网上的 360° 全景视频做"可靠真值来源"——因为全景相机看全方向、内参已知、稳定特征藏不住，所以对它跑定制的 rig-based SfM 能得到可信轨迹，再把全景裁剪重投影成"专挑难点"的透视视频，构成 100 段真实野外难例，结果 COLMAP / MegaSaM / VGGT 等 SOTA 在上面无一不大量失败，揭示 SfM 远未解决。
OrienPose: Orientation-Guided Novel View Synthesis for Single-Image Unseen Object Pose Estimation: OrienPose 把物体的"朝向先验"显式注入到新视角合成（NVS）的参考潜变量里、并用朝向一致性损失在几何层面监督视角变换，把单张图、无 CAD 模型的未见物体位姿估计从"凭像素瞎猜变换"变成"有定义起点的几何变换"，在 ShapeNet 上 ACC30 较前 SOTA NOPE 提升 7.3%、中位误差降低 7.3°。
OVI-MAP: Open-Vocabulary Instance-Semantic Mapping: OVI-MAP 把"建实例地图"和"贴语义标签"两件事彻底拆开：先只靠几何从 RGB-D 流里增量重建一张类别无关的 3D 实例地图，再用一个物体中心的视角覆盖策略挑出少量信息量大的视角喂给 VLM 提语义，从而在实时帧率下做到开放词汇的实例级语义理解，并在 ScanNet / Replica 上超过现有在线建图方法。
Parallel Rigidity Matters for Bundle Adjustment: 本文用「平行刚性（parallel rigidity）」理论第一次系统回答了「光束法平差（BA）的解何时唯一」这个被长期忽视的基础问题——把相机平移与三维点的联合优化看成一个二部图上的方向约束问题，设计 GPRBA 算法通过相机间视图图高效提取「通用平行刚性」子图，接进全局 SfM 流水线 GLOMAP 后能干净地剔除被独立缩放而摆错位置的相机与三维点。
PoseGAM: Robust Unseen Object Pose Estimation via Geometry-Aware Multi-View Reasoning: PoseGAM 把 VGGT 这类多视图几何基础模型搬到 6D 物体位姿估计上，让网络直接吃「查询图 + 一组已知位姿的模板渲染图」端到端回归位姿，彻底甩掉传统 match-then-localize 的显式特征匹配，再通过交叉注意力把物体的点图和点云几何特征以「视图图」形式注入，在 5 个 BOP 数据集上平均 AR 提升 5.1%（TUD-L 上 +17.6%）。
PoseGaussian: 6D Pose Estimation for Unseen Objects via Sparse-View Object-Level 3D Gaussian Splatting: PoseGaussian 只用 8 张稀疏 RGB-D 参考图、无需 CAD 模型，先靠深度先验初始化一个物体级 3DGS 并用稀疏鲁棒训练策略压住浮点和过拟合，再用「两阶段学习引导 ICP 给初始位姿 + 3DGS 可微渲染迭代精修」估计未见物体的 6D 位姿，在 LINEMOD / GenMOP 上稀疏视角下反超用 16 视角的基线。
QuadSync: Quadrifocal Tensor Synchronization via Tucker Decomposition: 首次提出四焦张量(quadrifocal tensor)的全局同步算法 QuadSync，通过构造块四焦张量并证明其承认多线性秩为 (4,4,4,4) 的 Tucker 分解，利用 ADMM-IRLS 优化框架从四视图测量中恢复相机位姿，在密集视图场景下取得优于两视图/三视图方法的同步精度。
Rethinking 2D-3D Registration: A Novel Network for High-Value Zone Selection and Representation Consistency Alignment: R23Net 用强化学习先在图像和点云上挑出"既能产生高质量匹配、又便于稠密匹配"的高价值区域（HZRS 模块），再用三组一致性约束把这些区域的跨模态表示对齐（ZRCA 模块），在 RGB-D Scenes v2 上把配准召回率（RR）从 68.4 提到 77.0，刷新 image-to-point cloud 配准的 SOTA。
Rethinking Pose Refinement in 3D Gaussian Splatting under Pose Prior and Geometric Uncertainty: 提出 UGS-Loc 框架，通过蒙特卡洛位姿采样和 Fisher 信息引导的 PnP 优化，联合建模位姿先验不确定性和几何不确定性，在无需重训练的条件下显著提升 3DGS 场景中的相机位姿精化鲁棒性。
Revisiting Monocular SLAM with Spatio-Temporal Scene Modeling: 针对免标定单目 SLAM"要么慢、要么不模块化"的痛点，提出从零用 C++ 实现的 SLAM-MER 管线，用"时间缓冲（最近关键帧）+ 空间 3D 网格（早期重建区域）"双路查询 3D 点做定位，只在关键帧上调用前馈深度模型（MASt3R），把稀疏关键点定位和半稠密锚点表示融合，实现 80+ FPS 实时（远超 MASt3R-SLAM ~13 FPS、VGGT-SLAM <5 FPS）且定位精度持平或更优。
RINO: Rotation-Invariant Non-Rigid Correspondences: RINO 用向量神经元（vector neuron）把 DiffusionNet 改造成端到端 SO(3)-不变的点特征提取器 RINONet，再把它和"只编码保向映射"的复函数图（CFMaps）以及一套耦合无监督损失结合，直接从原始 xyz 坐标学非刚性形状对应，无需预对齐、无需手工描述子，在任意姿态/非等距/部分/非流形/噪声等硬场景全面刷新 SOTA。
SAG-GNN: Semantic-Aware Guided GNN for Descriptor-Free 2D-3D Matching: SAG-GNN 把开放词表语义分割得到的「低维语义概率分布」作为额外先验注入到 descriptor-free 的 2D-3D 匹配中，用一个双向对齐融合块把语义与几何特征互相校准、再用语义相似度调制跨模态注意力，在几乎不增加存储的前提下把 MegaDepth / Cambridge 上的匹配与定位精度大幅提升（位姿误差较 A2-GNN 约降 50%）。
Scalable Feature Matching via State Space Modeling and Sparse Correlation: SLiM 用「Conv-Mamba 线性复杂度主干 + L2 范数引导的稀疏关联 + 轻量循环坐标精修」三件套，把半稠密特征匹配从随分辨率二次膨胀的开销里解放出来，在 MegaDepth 上以 5.9M 参数拿到 AUC@5°=57.9（比 Efficient LoFTR 高 1.5 分），同时在 1200×1200 高分辨率下比 JamMa 省 45% 显存、比 Efficient LoFTR 快 1.8×。
SCE-SLAM: Scale-Consistent Monocular SLAM via Scene Coordinate Embeddings: SCE-SLAM 在帧到帧单目 SLAM 的光流分支之外并联一条「场景坐标分支」，用可学习的 patch 级场景坐标嵌入把 3D 几何关系编码到一个统一尺度参照下，靠几何调制注意力跨窗口传播尺度、再用 3D 坐标约束把束调整往参照尺度上拉，从而在保持 36 FPS 实时性的同时显著抑制长序列尺度漂移（KITTI 平均 ATE 从 DPVO 的 53.61m 降到 25.79m，加回环 14.07m）。
Scene Grounding In the Wild: 提出一种基于语义特征的逆优化框架，将野外拍摄的局部3D重建（SfM）对齐到完整的伪合成参考模型（如Google Earth Studio），通过DINOv2特征和鲁棒优化解决巨大的域差异问题，实现非重叠局部重建的全局一致性融合。
SDGS: Spatial Difference Guided Gaussian Splatting for Simultaneous Localization and 3D Reconstruction: SDGS 用稀疏边缘（spatial difference）作为描述子、把它表示成细长的 3D 高斯椭球，通过"渲染边缘 ↔ 输入边缘"的距离变换对齐来在线估计 6-DoF 位姿，再借助混合像素传感器的高帧率差分信号做互斥监督去模糊，最终在极端高速运动（传统 RGB 方法全失败）下仍能稳健跟踪并重建清晰稠密场景。
SGAD-SLAM: Splatting Gaussians at Adjusted Depth for Better Radiance Fields in RGBD SLAM: 提出SGAD-SLAM，采用像素对齐的简化高斯表示并允许高斯沿射线调整深度偏移以提升渲染质量和可扩展性，同时引入基于几何相似度的GICP跟踪策略加速相机位姿估计，在Replica、TUM、ScanNet和ScanNet++上全面超越最新方法。
SGSoft: Learning Fused Semantic-Geometric Features for 3D Shape Correspondence via Template-Guided Soft Signals: SGSoft 把"在变形 3D 形状之间找稠密点对应"重新表述为"在一个规范模板上对齐测地线概率场"，用这个拓扑不变的软监督信号训练一个融合几何/语义/空间线索的逐顶点描述子，推理时单次前向 + 最近邻检索即可出对应，无需预对齐、逐对优化或后细化，在保持精度的同时把单对耗时压到 1.7 秒。
Simple but Effective Triplet-Based Compression Strategies for Compact Visual Localization: 针对视觉定位中"压缩 SfM 点云"这一长期靠求解复杂优化（集合覆盖 / 整数规划 / 二次规划）的问题，本文提出一个几乎平凡的策略：为每张数据库图随机采样三元组点、用 P3P 估位姿、保留能让数据库图位姿最准的三元组所含的点——以"位姿精度"为直接选点准则，配合标准描述子量化，效果却追平甚至超过当前 SOTA 压缩与学习型方法。
Sky2Ground: A Benchmark for Site Modeling under Varying Altitude: 本文提出Sky2Ground数据集（51个场景，80k图像，统一覆盖卫星/航拍/地面三种视角的合成+真实图像）和SkyNet模型（双流编码器+掩码卫星注意力+渐进式视角采样），首次系统研究了跨地面/航拍/卫星三视角联合相机定位问题，在RRA@5上提升9.6%，在RTA@5上提升18.1%。
Solvability of the Viewing Graph Under the Affine Camera Model: 本文首次研究仿射相机模型下的 viewing graph 可解性，把"给定一组两视图关系能否唯一确定所有相机"这个问题刻画成一个线性系统 \(Ax=b\)，由此给出基于矩阵秩的实用检验算法，并补上若干必要/充分条件，最后猜想"仿射可解 = 2D 平行刚性"。
Solving Minimal Problems Without Matrix Inversion Using FFT-Based Interpolation: 这篇论文提出一种无矩阵求逆的最小问题（minimal problem）求解器构造方法：用隐变量稀疏结式把多元多项式方程组化成关于隐变量 \(x_1\) 的一元行列式多项式，再用 IFFT 插值从单位圆上的采样值数值重建该多项式的系数（绕开符号展开），最后用 Cramer 法则配合 GCD 准则鲁棒回代其余未知量；在 14 个相机位姿类最小问题上实现了零失败率的数值稳定性，并在小规模问题上平均提速约 30%。
Sparse-View Localization via Online Neural 3D Regression: ON3R 针对"数据库图像几乎互不重叠（星型拓扑）、又没有预建 3D 地图"的极端稀疏视图定位场景，为每个查询图像临时在线训练一个小 MLP，把查询关键点回归成 3D 点（用数据库重投影残差 + 单目深度先验监督），再用 P3P-RANSAC + 轻量 BA 求绝对位姿，在 MegaDepth / Cambridge / 稀疏化 Aachen 上全面超过现有结构无关方法、甚至胜过结构化的 HLOC。
SuP: Sub-cloud Driven Point Cloud Registration: 针对低重叠点云配准里"非重叠区域几何/语义相似导致错配"的老大难，SuP 把问题重构成"在子云对里挖出高重叠锚对"，用双阶段（先验加权筛候选 + 后验网络验一致性）锚对挖掘 + 合并匹配，在 Color3DMatch/3DLoMatch 上刷新 SOTA，还能当插件涨别的方法的点。
TESO: Online Tracking of Essential Matrix by Stochastic Optimization: TESO 把双目相机的在线外参标定问题，建模成"在本质矩阵流形上对一个鲁棒核化对极误差做自适应随机优化"，无需任何数据训练、只有两个超参，就能以 0.12° 级精度实时跟踪相机标定漂移，且单帧优化精度可媲美基于神经网络的方法。
TextFM: Robust Semi-dense Feature Matching with Language Guidance: TextFM 是第一个把视觉语言模型（VLM）的文本语义引入半稠密特征匹配的框架——它用文本嵌入生成实例级查询给粗匹配注入域不变语义、用 LoRA 高效微调视觉基础模型（VFM）、再叠加光照不变物理先验，在跨域和昼夜变化下显著超过 EfficientLoFTR 等现有方法。
Topology-aware Feature Propagation for Unsupervised Non-rigid Point Cloud Correspondence: 针对无监督非刚体点云对应中"按空间邻近传播特征会把物理上不相连的部位连起来"的痛点，本文提出学习对形变鲁棒的形状拓扑，用拓扑置信权重 + 拓扑感知 Transformer 在"由粗到细"管线里传播特征，并辅以向量量化码本优化，在四个基准上取得 SOTA。
TopoMA: Topology-Guided Multi-Agent Dense RGB 3D Reconstruction via Distributed Inference: TopoMA 用持久同调（persistent homology）学一张连接各智能体子图的「场景拓扑骨架」，把它当注意力偏置、回环门控和残差传输的统一调度核心，从而让多个智能体在纯分布式、无中心服务器的条件下各自重建并增量优化局部地图，仅靠轻量拓扑消息就实现全局一致的大规模 RGB 稠密重建。
Towards Generalized Multimodal Homography Estimation: 针对单应性估计模型"换个模态就失灵"的痛点，本文用风格迁移从一张图合成纹理/颜色各异但结构不变的不对齐图像对（自带真值偏移），让模型在合成数据上有监督训练即可零样本泛化到未见模态；同时设计 CCNet 融合跨尺度信息并把颜色从特征中解耦，进一步把跨数据集 MACE 误差大幅压低。
Tracking by Predicting 3-D Gaussians Over Time: Video-GMAE 把一段视频自监督地编码成"一组随时间漂移的 3-D 高斯基元"——首帧预测完整高斯、后续帧只预测残差位移——这个归纳偏置逼着网络学会跨帧像素对应，于是无需任何跟踪标注就能零样本追点，微调后在 Kinetics/Kubric 上分别超过此前自监督方法 34.6% 和 13.1%。
ULF-Loc: Unbiased Landmark Feature for Robust Visual Localization with 3D Gaussian Splatting: 本文从理论上证明了「用 α-blending 优化 3DGS 特征场」会给 3D 点特征引入固有偏差，进而提出 ULF-Loc：用「几何加权多视角特征融合」替代有偏的特征优化、用「关键点共识采样」选可靠地标、用「局部几何一致性核验」剔除渲染伪影导致的误匹配，在 Cambridge Landmarks 上把平均中值平移误差比 SOTA 降低 17%，同时只需 STDLoc 1/10 的训练时间和 1/6 的显存。
Unblur-SLAM: Dense Neural SLAM for Blurry Inputs: Unblur-SLAM 不是简单把去模糊网络塞进 SLAM 前端，而是围绕“哪些模糊帧可以先去模糊再跟踪、哪些模糊帧必须直接在 3D 空间里建模”这一关键决策，设计了模糊检测、物理约束去模糊、3D Gaussian blur refinement 和严重模糊 fallback 的完整流水线，因此能同时处理运动模糊和散焦模糊，并显著提升跟踪与重建质量。
UniCorrn: Unified Correspondence Transformer Across 2D and 3D: UniCorrn 用一套共享权重的 Transformer，把图像-图像（2D-2D）、图像-点云（2D-3D）、点云-点云（3D-3D）三类几何对应统一成同一个"查询关键点→回归对应坐标"的任务，靠一个双流注意力解码器（外观流 + 位置流共用同一张注意力矩阵）实现可堆叠的端到端匹配，在 2D-2D 上持平 SOTA，在 7Scenes（2D-3D）和 3DLoMatch（3D-3D）的配准召回率上分别超过此前最优方法 8% 和 10%。
Unlocking the Power of Critical Factors for 3D Visual Geometry Estimation: 本文用一套严格消融把前馈多帧视觉几何估计（以 VGGT 为代表）里"哪些训练因素真正决定性能"挖出来，发现常用的置信度损失和空间梯度损失其实在拖后腿、局部区域对齐会掉点，并据此提出一致性损失 + 高效高分辨率适配，整合成 CARVE 模型，在点云重建、视频深度、相机位姿三类任务的 7 个 benchmark 上取得领先且稳健的成绩。
VarSplat: Uncertainty-aware 3D Gaussian Splatting for Robust RGB-D SLAM: 提出 VarSplat，首个在3DGS-SLAM中学习逐splat外观方差 \(\sigma^2\) 并通过全方差定律渲染逐像素不确定性图 \(V\) 的系统，将不确定性统一应用于跟踪、子图配准和回环检测，在4个数据集上取得鲁棒且领先的性能。
VGA: Empowering Aerial-Ground Localization by Visual Geometry Alignment: VGA 针对无标定的空中无人机视角与地面视角之间的极端宽基线 6-DoF 相对位姿估计，在 MASt3R 主干上额外学习两个物理先验——从透视场推出的重力对齐先验、把两视角投到共享俯视平面后做 Procrustes 对齐的平面方位先验，再用一个推理时联合优化把两类先验当几何约束去精修位姿，在 MatrixCity / ACC-NVS1 / ULTRRA 上把 AUC@30° 较次优方法提升约 11%。
Volumetric Functional Maps: 本文首次把表面几何处理里成熟的 functional maps（函数映射）框架搬到 3D 体积（四面体网格）上：用体积拉普拉斯算子的特征函数构造一个与离散化无关的函数空间，从而在体内部建立稠密对应，支持连通性迁移、分割迁移、实体纹理等应用，并且反过来还能让经典的表面形状匹配更准。
WildPose: A Unified Framework for Robust Pose Estimation in the Wild: WildPose 把前馈式 3D 重建模型 MASt3R 的强感知前端嫁接进 DROID-SLAM 的可微分束调整（BA）优化后端，再配一个高容量的"逐边"运动掩码检测器剔除动态干扰，做出一个在动态、静态、低位移短序列上都稳的统一单目相机位姿估计框架。
ZipMap: Linear-Time Stateful 3D Reconstruction via Test-Time Training: ZipMap 把整段图像集合用 Test-Time Training（TTT）层"压缩"进一个固定大小的快权重 MLP，从而用线性时间完成双向前馈 3D 重建（相机位姿 + 深度 + 点云），在精度上追平甚至超过 VGGT/π³ 这类二次复杂度方法，700+ 帧 10 秒内重建（比 VGGT 快 20×），而且这个隐式场景状态还能被实时查询出新视角的几何与外观。