ECCV2026 自动驾驶论文解读论文笔记 3D 目标检测对抗鲁棒 Agent 多模态扩散模型

🚗 自动驾驶¶

🎞️ ECCV2026 · 160 篇论文解读

📌 同领域跨会议浏览： 🧠 NeurIPS2026 (1) · 📷 CVPR2026 (157) · 🔬 ICLR2026 (50) · 🧪 ICML2026 (8) · 🤖 AAAI2026 (56) · 🧠 NeurIPS2025 (47)

🔥 高频主题： 自动驾驶 ×30 · 3D 目标检测 ×13 · 对抗鲁棒 ×11 · Agent ×8 · 多模态 ×7

Masked Depth Modeling for Spatial Perception: MDM 将传感器缺失深度变成有物理来源的掩码，在完整 RGB 与剩余深度的联合注意力中学习几何表征，使 NYUv2 极端缺失设置的 RMSE 从 PromptDA 的 0.324 降至 0.167，并改善真实机器人抓取。
MindDrive: A Vision-Language-Action Model for Autonomous Driving via Online Reinforcement Learning: MindDrive 用共享语言模型、独立 LoRA 的决策专家与动作专家，把在线探索限制在离散驾驶意图上，再由实际轨迹的闭环奖惩优化决策；3B 版本在 Bench2Drive 上达到 80.59 DS、58.26% SR，但验证范围仍限于 CARLA 仿真。
UniDrive-WM: Unified Understanding, Planning and Generation World Model for Autonomous Driving: UniDrive-WM 在单一 VLM 框架中联合实现场景理解、轨迹规划和轨迹条件未来图像生成，通过规划→生成的可微双向耦合，在 Bench2Drive 闭环评估中将 Driving Score 从 77.74 提升至 79.31，L2 轨迹误差降低 7.3%、碰撞率降低 10.4%，并在两个互补的图像生成分支（离散自回归与连续扩散）之间系统分析了速度-保真度的权衡关系。
DriveVA: Video Action Models are Zero-Shot Drivers: DriveVA 提出一种统一的视频-动作世界模型，将未来视频预测与轨迹规划放在同一个 DiT 扩散生成过程中联合解码，利用大规模视频生成模型（Wan2.2-TI2V-5B）的时空先验实现强零样本跨域泛化，在 NAVSIM 上达到 90.9 PDMS，并在 nuScenes 和 Bench2Drive 上分别降低 78.9% 和 52.5% 的平均 L2 误差与 83.3% 和 52.4% 的碰撞率。
SparseDriveV2: Scoring is All You Need for End-to-End Autonomous Driving: SparseDriveV2 不动态生成轨迹，而是把路径和速度曲线组成超密静态候选空间，再通过因子级粗筛与轨迹级精评分选出驾驶动作，以 ResNet-34 在 NAVSIM v1/v2 分别取得 92.0 PDMS 和修正协议下的 90.1 EPDMS。
Driver-WM: A Driver-Centric Traffic-Conditioned Latent World Model for In-Cabin Dynamics Rollout: 把「舱内驾驶员未来会怎么动」当成一个在潜在空间里、由舱外交通事件因果驱动的 rollout 问题来做：用冻结的 Qwen3-VL 特征当感知接口，双流分别编码交通和驾驶员，再用一个「门控因果注入」让外部环境单向调制驾驶员内部状态的自回归演化，最终解码成未来 5 步的人体骨架轨迹（外加行为/情绪语义作辅助正则），在 AIDE 上于安全攸关的高动态片段上取得稳健的长时预测。
UniDriveDreamer: A Single-Stage Multimodal World Model for Autonomous Driving: UniDriveDreamer 将视频与 LiDAR 潜变量校准后送入同一个生成 Transformer，通过双向交互联合合成多传感器序列，在 nuScenes 上获得 FID 2.81、FVD 11.44，并带来受控检测实验中的数据增强收益。
ExploreVLA: Dense World Modeling and Exploration for End-to-End Autonomous Driving: 提出统一理解-生成框架 ExploreVLA，在 VLA 驾驶模型中引入未来 RGB + 深度图像生成作为密集世界建模目标，并利用世界模型的图像预测不确定性作为内在探索奖励，通过安全门控 GRPO 让策略超越模仿学习分布、发现多样且安全的驾驶行为，在 NAVSIM 上取得 93.7 PDMS 和 88.8 EPDMS 的 SOTA。
Beyond Imitation: Learning Safe End-to-End Autonomous Driving from Hard Negatives: BeyondDrive 不只让规划器靠近专家轨迹，还让它远离“离专家很近却不安全”的生成轨迹，在优化后 LTF 基线上将 NAVSIM v1 PDMS 从 88.7 提升到 89.7、NAVSIM v2 EPDMS 从 89.1 提升到 90.1，并展示跨规划器及 HUGSIM 零样本迁移结果。
CausalDrive: Real-time Causal World Models for Autonomous Driving: CausalDrive 仅以初始前视图、自车轨迹和全局交互提示生成可反应的驾驶视频，通过因果自回归教师与上下文强制 DMD 将推理压缩到 1–4 步，在单张 A100 上达到 12.4 FPS，并在 SocioDrive-Bench 的 Polite 条件下取得 82.0% 的让行率，但并未消除所有虚假碰撞。
HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving: HAD 先筛选驾驶意图，再围绕少量意图生成结构化轨迹并细化，用逐指标强化学习和离线奖励检索训练，在 NAVSIM v2 达到 88.6 EPDMS，纯相机 HAD-L 在 HUGSIM 公共集达到 47.5 路线完成率。
AutoWeather4D: Autonomous Driving Video Weather Conversion via G-Buffer Dual-Pass Editing: AutoWeather4D 先从驾驶视频提取米制几何与材质，再分别编辑天气作用和光照传播，最后用受约束的视频扩散补足传感器质感，在 Waymo 上取得 0.2586 CLIP 分数和 0.915 车辆检测 IoU；其主要价值是可定位、可调参的天气与灯光控制，而非大幅领先生成式基线。
BEV-GS: Feed-forward Gaussian Splatting in Bird’s-Eye-View for Road Reconstruction: BEV-GS 把单帧道路重建从透视像素上的高斯预测改为规则 BEV 网格上的高程与纹理预测，在 RSRD 上获得 1.73 cm 高程平均绝对误差、28.36 dB 新视角 PSNR 和 26.3 FPS 参数预测速度，但单帧指推理输入，训练仍使用高程标签与双目图像监督。
Composing Driving Worlds through Disentangled Control for Adversarial Scenario Generation: CompoSIA 将场景结构、元素身份和自车动作送入视频扩散模型的不同控制通路，支持组合式驾驶场景编辑，取得身份控制 FVD 149.15，并在 nuScenes 的 Epona 开环测试中暴露出编辑场景下更高的规划碰撞率。
LangDriveCTRL: Natural Language Controllable Driving Scene Editing with Multi-modal Agents: LangDriveCTRL 把每段真实驾驶视频重建成「静态背景 + 带轨迹的动态对象节点」的 3DGS 场景图，再由一个 LLM 编排智能体调度多模态对象接地、节点编辑、行为编辑、行为评审、视频扩散与视频评审等智能体和工具，把自然语言指令落实为对象级删除/插入/替换与多对象行为改写，指令对齐率接近此前最优方法的两倍，同时保持照片级逼真、原场景结构不变与交通合理性。
Optimization-Guided Diffusion for Interactive Scene Generation: OMEGA 不重训、不改动任何扩散场景生成模型，只在每个反向去噪步内做一次带 KL 信赖域的约束优化来重新锚定"模型预测的干净样本"，并按 Warm-up / Rolling-Zero 两阶段错开激活结构约束与交互约束（对抗版 ΩAdv 进一步把 ego–attacker 交互写成分布空间博弈、用灵敏度增强的迭代最优响应近似纳什均衡），把 nuPlan 自由探索的场景有效率从 32.35% 提到 72.27%、零样本 Waymo 从 61.71% 提到 81.95%、指定终点的可控生成从 11% 提到 80%，并在保持真实性的前提下多生成约 5 倍 TTC<3s 的近碰撞帧。
CritiqueDriveVLM: From Verifier-Guided Reinforcement Learning to Latent Thought Distillation for Autonomous Driving: CritiqueDriveVLM 先用验证器的评分与文字批评训练可纠错教师，再对齐教师推理终点与学生回答起点的隐状态，使学生不生成思维链即可达到 68.59% MCQ，并将平均延迟从教师的 3482 ms 降至 416 ms，但未保持教师的 76.54% 准确率。
Deconfounded Lifelong Learning for Autonomous Driving via Dynamic Knowledge Spaces: DeLL 首次将终身学习引入闭环端到端自动驾驶，利用 Dirichlet 过程混合模型构造显式和隐式双动态知识空间，并将动态生长的知识锚点作为中介变量实现前门调整去混杂，在 Bench2Drive 上以零额外存储开销取得优于 PackNet 和 ER 的终身学习性能。
LeAD-M3D: Leveraging Asymmetric Distillation for Real-Time Monocular 3D Detection: LeAD-M3D 在纯图像 YOLOv10-M3D 基线上叠加三个组件——非对称 MixUp 去噪蒸馏（A2D2）、把 3D 重叠塞进匹配打分的 CM3D、只对高置信区域跑 3D 回归头的 CGI3D——不用 LiDAR / 双目 / 几何先验，就在 KITTI、Waymo、Rope3D 上做到 SOTA 精度，同时比同精度模型快最多 3.6 倍、TensorRT 下最大模型也能跑到 60 FPS 以上。
LiFlow: Flow Matching for 3D LiDAR Scene Completion: LiFlow 将带局部噪声的单帧 LiDAR 扫描直接流向完整场景，用近邻流匹配建立运动监督、用倒角距离匹配补足覆盖，在少量积分步下获得较低几何误差，但细粒度占据率仍不是最优。
RadarGen: Automotive Radar Point Cloud Generation from Cameras: RadarGen 用两时刻环视相机提取 BEV 视觉条件，联合生成雷达密度、RCS 和多普勒图后恢复稀疏点云，在 MAN TruckScenes 上将前景框命中率从 0.37 提升到 0.66，但生成数据上的检测质量仍明显低于真实雷达。
WorldFlow3D: Flowing Through 3D Distributions for Unbounded World Generation: WorldFlow3D 把 3D 场景生成重述为在层级数据分布之间的流匹配传输——噪声→粗几何→细几何→带纹理，全部直接在 TUDF 体素空间进行、无需潜码自编码器，推理时用重叠分块的羽化速度平均实现理论上无界的场景合成；在 Waymo 驾驶与 3D-FRONT 室内两域上，除无条件 JSD 一项外全部指标优于 XCube、BlockFusion、WorldGrow、LT3SD 等基线，训练比潜空间方法快至少 2 倍，用户研究 BT 分数 0.692、胜率 88%。
YouTube-Occ: Learning Indoor 3D Semantic Occupancy Prediction from YouTube Videos: YouTube-Occ 将房产视频加工成室内几何与语义伪标签，再通过可微渲染和双对齐特征蒸馏预训练占据网络；在 NYUv2 仅用 10% 标签微调时，网络视频预训练把 Symphonies 从 17.43 提升到 22.52 mIoU（+5.09），而直接用这些噪声伪标签做监督在联合训练中反而把 mIoU 从 40.17 拖到 37.38。
A Physics-Grounded Benchmark for Multi-Agent Dynamics in World Models: CrashTwin 将交通碰撞数据、无标定视频动力学重建和分维度物理诊断结合起来，揭示世界模型即使画面连贯，也可能产生错误的动量交换与动能增加；它提供的是可定位问题的评测框架，而不是新的生成模型。
ASSCG: Just-Right Gating over Chattering for Fast–Slow LLM Planning in Autonomous Driving: ASSCG 不只决定何时调用慢速语言模型，还决定何时复用或屏蔽已有指导，通过时序门控和成本感知强化学习，在 nuPlan Hard20 将 AsyncDriver 得分从 65.00 提高到 67.28，同时把平均端到端推理延迟从 0.80 降到 0.32 秒/帧。
BeyondSight: Object Permanence for End-to-End Autonomous Driving: BeyondSight 在 SparseDrive 中把目标的历史传播与当前图像更新分离，并用覆盖不可观测时刻的标注训练，使被完全遮挡的目标仍能进入预测和规划，将不可观测目标 mAP 从 0 提升到 0.249、标准 nuScenes 开放环平均规划 L2 从 0.61 降到 0.54。
CMCC-ReID: Cross-Modality Clothing-Change Person Re-Identification: 本文构建同时包含模态差异和换装变化的 SYSU-CMCC 基准，并用渐进式身份对齐网络 PIA 先解耦身份与服装、再进行双向原型对齐，在可见光到红外检索中取得 57.0% Rank-1 和 46.5% mAP。
Driving like yourself: A Benchmark for Closed-Loop Personalized End-to-End Autonomous Driving: Person2Drive 把真实驾驶员参与的模拟器采集、个体风格分布评测和风格引导轨迹头微调连成闭环，在两条路线的个体风格相似度均值上从 0.6652 提升到 0.6800，但其驾驶能力证据仍限于仿真且不是所有指标都提高。
EgoDyn-Bench: Evaluating Ego-Motion Understanding in Vision-Centric Foundation Models for Autonomous Driving: EgoDyn-Bench 用确定性 oracle 把连续的自车运动学映射成离散的运动概念，将「自车运动理解」形式化为 3 秒片段的语义视频问答基准，对 20+ 个视觉基础模型（闭源 MLLM、开源 VLM、驾驶 VLA）做大规模拟真审计，发现它们普遍存在「感知瓶颈」——有物理逻辑却无法把它落到视觉观测上，甚至打不过经典几何基线；而一旦显式给出轨迹文本，性能大幅回升，暴露出自车运动逻辑几乎完全来自语言模态、视觉贡献近乎为零的功能解耦。
LaGen: Towards Autoregressive LiDAR Scene Generation: LaGen 首次将自回归框架引入 LiDAR 场景生成，以单帧点云为起点、结合 3D 边界框与自车状态条件，逐帧生成高保真的长时间序列 LiDAR 场景，并支持交互式闭环仿真。
Learning Ego-Centric BEV Representations from a Perspective-Privileged View: Cross-View Supervision for Online HD Map Construction: 把与 ego 坐标系精确配准的航拍俯视图当作只在训练期可用的「特权视角」，用一个冻结的航拍编码器为相机 BEV 编码器提供稠密的 BEV 特征级对齐监督（归一化 + 通道仿射适配器稳定跨模态对齐），在不改变推理架构的前提下把 StreamMapNet 在 nuScenes/AID4AD 上的 mAP 从 34.1 提到 38.0（60×30 m）和从 22.4 提到 32.3（100×50 m，相对 +44%）。
LiDAR-EVS: Enhance Extrapolated View Synthesis for 3D Gaussian Splatting with Pseudo-LiDAR Supervision: 在不额外采集多程数据的前提下，把单程 LiDAR 序列通过多帧静态融合、外推位姿变换、遮挡卷曲与入射角强度校正"造"成训练轨迹之外的伪 LiDAR 监督，再配合按传感器仰角/距离分区的 dropout 正则，使 3DGS 渲染器把外推视角的 Chamfer Distance 从 0.35 m 降到 0.18 m、深度误差从 0.003 m² 降到 0.001 m²（Para-Lane 真实外推），同时不牺牲内插与相机渲染质量。
LiSTAR: Ray-Centric World Models for 4D LiDAR Sequences in Autonomous Driving: LiSTAR 把 LiDAR 点云体素化到与旋转式传感器采样几何对齐的「混合柱坐标–球坐标」（HCS）三维网格，用沿射线做注意力的 START 模块编码时空特征，再以 MaskSTART 做掩码式生成，在 nuScenes/KITTI 的重建、预测与可控生成三项任务上全面超过 Copilot4D、OpenDWM 等基线——重建 IoU 最高相对提升 85%、预测 L1 Med 最多下降 64%、生成 MMD 下降 61%。
LMGenDrive: Bridging Multimodal Understanding and Generative World Modeling for End-to-End Driving: LMGenDrive 用一组 world query 与 action query 把 LLaMA 系 LLM 与多视角扩散世界模型缝进同一个模型：world query 携带场景演化并当作视频生成的条件，生成损失再顺着它反传回 LLM，从而让"想象未来"成为提升"理解与规划"的监督信号，在 CARLA LangAuto 闭环基准上把 DS 从 48.9 提到 62.2。
Long-term Traffic Simulation via Structured Autoregressive Modeling: RosettaSim 将长时多智能体交通仿真建模为结构化自回归序列生成问题，利用冻结/部分冻结的 LLM（Qwen2.5-0.5B）作为结构先验，将场景拓扑、智能体状态和生成意图投影到变长 token 序列中统一处理运动预测与智能体种群动态；同时提出检索式交通评估框架 RTE，用语义相似的真实场景作为参考锚点替代全局分布匹配，在 WOSAC 短时和长时仿真上均达到 SOTA。
MobileOcc: A Human-Aware Semantic Occupancy Dataset for Mobile Robots: 本文基于 UT Campus Object Dataset (CODa) 的同步图像与 LiDAR，构建了面向行人密集环境的移动机器人语义占用数据集 MobileOcc：用「单目 SMPL 初值 + LiDAR 点云联合优化」的可形变人体网格取代传统刚体包围盒来标注行人，共 116,511 帧、标签分辨率最高 0.02 m，并配套占用预测与行人速度预测双任务基准；静态体素标签 mIoU 为 71.2，行人体素对 LiDAR 体表参考的 F1 达 92.5，而现有占用模型在该基准上 mIoU 仅 26.6–29.9。
PLOT: Pseudo-Labeling via Object Tracking for Monocular 3D Object Detection: PLOT 提出一个无需辅助传感器或模型重训练的 3D 伪标签生成框架，通过密集点跟踪建立跨帧点级对应、从背景/物体轨迹解耦估计相机自运动与物体运动、引入全局物体记忆维护长程身份一致性，最终将多视角部分观测对齐并融合为完整的物体伪点云，在 KITTI、KITTI-360、Waymo 等基准上达到与全监督方法可比的效果，并泛化到非驾驶场景。
PriorEye: Geospatial Visual Priors for End-to-End Autonomous Driving: PriorEye 将离线采集的街景图像锚定到规划路线上，构造"地理空间视觉先验"并通过双记忆架构注入端到端驾驶策略，使其具备人类驾驶员般的前瞻性感知，同时在传感器失效和先验污染两种极端情况下均保持鲁棒。
RESOLVE: A Multi-Resolution and Multi-Modal Dataset for Roadside Cooperative Perception: RESOLVE 是首个真实世界多分辨率、多模态路侧协同感知数据集，通过在真实城市交叉路口同时部署 16/64/128 线三种分辨率的 LiDAR 并严格保持传感和环境因素一致，系统评测了 LiDAR 分辨率变化对 3D 检测、多目标追踪和协同感知的影响，揭示了多模态融合如何在点云稀疏时补偿感知下降，以及跨分辨率训练-推理不匹配造成的领域漂移问题。
SIMSplat: Language-Aligned 4D Gaussian Splatting for Driving Scenario Generation: SIMSplat 把外观、运动、位置三种语言特征直接嵌进场景图 4D 高斯节点，使重建出的驾驶场景可以用自由文本查询，再在同一表征上串起物体级编辑、多智能体路径精修与 VLM 自动场景挖掘；在 Waymo 上把开放词汇物体定位准确率从 0.35 提到 0.73，任务完成率做到人工 87.2%、VLM 全自动 71.1%，并把多智能体失败率压到 20.0%。
Sparse-Aware Vector Quantization for Bandwidth-Efficient Collaborative 3D Semantic Occupancy Prediction: VQSOP 让多车在 V2X 上只交换「码本索引」而不交换稠密 3D 特征：先用置信度阈值筛出真正含信息的体素，再用一本跨车共享的可学习码本把选中的体素特征最近邻量化成离散索引，接收端查表重建后与自车特征做注意力融合，最后经「局部卷积 + 空洞卷积」双分支自适应细化输出占用预测，在 Semantic-OPV2V 上以 0.013 MB/帧的通信量取得 73.79% IoU / 41.54% mIoU。
SynFlow: Scaling Up LiDAR Scene Flow Estimation with Synthetic Data: SynFlow 用 CARLA 搭了一条「运动导向」的合成数据引擎，生成 4,000 条序列（约 94 万帧）带无噪逐点真值的 SynFlow-4k，仅用合成监督训练的模型零样本迁移到 nuScenes/TruckScenes/Aeva，在 TruckScenes 上以 0.274 超过用 20% 真实标注有监督训练的 ∆Flow（0.402）31.8%，并且只需 5% 真实标签微调就能超过用 4 倍预算从零训练的基线。
2K Retrofit: Entropy-Guided Efficient Sparse Refinement for High-Resolution 3D Geometry Prediction: 本文提出 2K Retrofit，一种无需修改或重训练基座模型即可让现有 3D 基础模型（如 Depth Anything、VGGT）输出 2K 分辨率几何预测的通用框架——核心思路是用冻结的基座做快速粗预测，再通过熵引导的稀疏细化机制只对高不确定性像素区域做全分辨率修正，在大幅降低计算和显存开销的同时达到或超越全分辨率方法的精度。
ARC-Loc: Leveraging Azimuthal Ray Convergence as a Geometric Cue for Direct Cross-View Localization: ARC-Loc 在已知或有界噪声航向先验下，把地面与卫星图像的匹配点转成方位线，以可微的加权求交和 RANSAC 直接估计位置，无需深度模型或 BEV 变换，在 VIGOR 已知航向同区域测试取得 2.52 m 平均误差，但窄视场跨区域泛化仍有限。
BEVLM: Distilling Semantic Knowledge from LLMs into Bird's-Eye View Representations: BEVLM 先验证融合多视角的 BEV token 更适合语言模型进行空间推理，再用冻结 LLM 的问答梯度和检测监督共同训练 BEV 编码器，在部署时不引入 LLM 的前提下，将 UniAD 的 NeuroNCAP 分数从 2.38 提升到 3.05，碰撞率从 0.56 降至 0.47。
CCFM: Collision-Constrained Flow Matching for Safety-Critical Scenario Generation: CCFM 将安全关键驾驶场景生成改写为带碰撞硬约束的流匹配采样：先动态选择可行的对抗车辆与碰撞类型，再以接触点、相对航向和严重度约束逐步投影动作序列，在 80 帧闭环仿真中把 nuScenes/nuPlan 碰撞率提高到 46.4%/83.1%，同时获得 84.3%/85.6% 的碰撞类型匹配率。
CoGoal3D: Collaborative 3D Object Detection with 3D-Aware Fusion and Refinement: 针对车路协同 3D 目标检测中多智能体因安装高度和路面姿态不同造成的 3D 空间失配问题，CoGoal3D 提出了多尺度 3D 感知全局融合（3D-AGF）与基于优化点云重建引导的局部精细化（RGLR）两阶段架构，并配合低信息损失的协同数据增强（MCDA），在真实协同数据集上大幅刷新 SOTA。
Comprehensive Robustness Analysis of LiDAR-based 3D Object Detection in Autonomous Driving: 针对现有评估过度依赖单一 mAP 且忽视点云物理特性的缺陷，本文提出了首个解耦结构与预测维度的 LiDAR 3D 目标检测对抗鲁棒性基准，揭示出高容量体素与 Transformer 检测器在真实坐标扰动下存在严重的系统性盲区。
Cooking beyond Frames: A Stereo Event Camera Dataset in the Kitchen: 本文构建了首个大规模真实世界第一人称双目事件相机厨房日常活动基准数据集 EventKitchen，提供 5.5 小时多模态同步记录、超万条动作片段与目标框标注以及稠密立体深度真值，系统评测了动作识别、目标检测与立体深度估计三大任务。
CooperScene: Multi-Modal Cooperative Autonomy Benchmark with C-V2X Communication Characterization: CooperScene 是首个在真实道路场景中同步采集 C-V2X 通信特征（吞吐量、延迟、丢包率、抖动）与多模态传感器数据（LiDAR、相机、GNSS/IMU）的协同自动驾驶数据集，覆盖 3 辆智能车和 1 个路侧单元在路口、高速匝道、停车场等多样场景的交互，基于该数据集的基准评测表明，现有协同感知方法在真实 C-V2X 带宽约束下的 mAP 相比理想网络假设最多下降 49%，揭示了理想化评测与可部署性能之间的巨大鸿沟。
Counting Trees from Satellite Imagery with Noisy Supervision: 针对高分辨率卫星遥感中树冠重叠边界模糊及机载激光雷达弱标注噪声难题，TreeMatch 将树木计数建模为非平衡最优传输（UOT）密度匹配问题，并通过传输边际残差迭代自校正弱标注，在覆盖三大洲 2.58 万平方公里的 TinyTrees 基准上显著超越检测与回归基线。
Cross-View Yaw Estimation in Location Uncertainty with Line-Aligning Yaw Scoring: 针对跨视角定位中大范围未知偏航角与平移位置噪声交织的瓶颈，提出 LAYS 框架，利用地面图像垂直列聚合特征与鸟瞰图像素匹配诱导出的径向不变性，通过三维投票解耦位置与朝向，在无需高度假设与精确位置的前提下实现亚度级偏航角估计。
DecoupleGS: Interactive 3D Gaussian Splatting for End-to-End Autonomous Driving Testing: 针对端到端自动驾驶闭环仿真中保真度、交互性与实时吞吐之间的权衡瓶颈，DecoupleGS 将场景显式解耦为静态背景场与规范化动态资产，通过显著性剪枝量化、地图拓扑引导配准和无网络代理重光照，构建了高保真、低漂移且达交互帧率的端到端仿真测试平台。
DeGuNet: Depth-Guided Ultra-Compact Backbones for Efficient LiDAR-Camera 3D Detection: DeGuNet 针对多模态 3D 检测中视觉主干过重且与 3D 空间几何不对齐的瓶颈，设计了仅 0.31M 参数的超紧凑深度引导主干网络，通过局部掩码部分卷积（MPIR）与全局掩码注意力（MMViT）隔离无效零值污染，在显存降低 66.5% 的同时实现了最高 6.20 mAP 的显著增益。
Delaunay Canopy: Building Wireframe Reconstruction from Airborne LiDAR Point Clouds via Delaunay Graph: Delaunay Canopy 将机载 LiDAR 点云剖分为 Delaunay 图，通过面法向量、边二面角与顶点角点得分显式量化屋顶局部曲率，以此构建自适应搜索空间引导角点与线段选择，克服了传统方法搜索空间过大以及 2D 高程图投影丢失 3D 上下文与内部角点的缺陷。
DH-VLM: Dual-Horizon Cooperative Latent Reasoning for Autonomous Driving: 提出车路双视域协同隐式推理架构 DH-VLM，由路端大模型聚合多层隐状态形成全局认知引导，并通过路端驱动隐式演化机制在车端两阶段推理中自适应细化局部规划，在降低 57.3% 通信开销的同时显著提升决策安全性与长时域规划精度。
DriveWeaver: Point-Conditioned Video Inpainting for Controllable Vehicle Insertion in Autonomous Driving Simulation: DriveWeaver 提出以车辆点云渲染图为像素级条件的视频扩散修补框架，通过轻量 PointAdapter 将几何条件注入冻结的 Wan2.1 差分变换器骨干，生成光照融合一致且几何精确的前景车辆，并设计全局-局部分层修补策略消除长时序漂移，生成结果可进一步蒸馏为 3D 高斯泼溅实现实时渲染。
ECoSim: Data Efficient Fine-Tuning for Controllable Traffic Simulation: ECoSim 冻结已有交通生成模型，用恒等初始化的 FiLM 适配器和闭环训练接入草图、行为潜变量或文本，在仅用 1% 配对控制数据时将 SMART 草图控制的 mADE 从 1.5044 降至 0.2561，并通过上下文匹配把行为迁移到新的交通场景。
ECTraj: Enhanced Consistency Training for Multi-Agent Trajectory Prediction: ECTraj 针对自动驾驶多智能体轨迹预测中扩散模型去噪延迟高、从头训练一致性模型困难的问题，提出了一种基于增强一致性训练的条件一致性模型管线，通过教师端关键航路点真值融合与训练期多样本 Best-of-K 匹配，以单步推理实现了相比扩散基线 10 倍的加速与更优的轨迹预测精度。
Explainability-aware Frustum Attack: Exposing Structural Vulnerabilities in LiDAR-Based 3D Object Detectors: 本文提出面向车载激光雷达目标检测的显著性分析框架 SALL，通过积分梯度跨场景聚合生成类别级通用显著图，并基于此设计了视锥对抗攻击 EFA，仅扰动少量关键角向视锥即导致目标检测失效，揭示了检测器特征高度集中于稀疏几何边缘的结构性脆弱性。
FDR-Occ: Factorized Dense Routing for Full-Spectrum 3D Occupancy Prediction: 针对传统基于物理光线的 2D 到 3D 视角转换存在的局部受限与外参敏感痛点，FDR-Occ 提出因子化密集路由（FDR）算子与分辨率-上下文解耦架构，以亚二次复杂度实现全域可达性，并在外参完全缺失时仍能鲁棒感知场景拓扑。
FLM-Occ: Feed-forward Likelihood Maximization for Efficient Indoor Occupancy Prediction: FLM-Occ 将室内单目占用预测从体素分类重新定义为体素分布估计，通过最大似然估计（MLE）训练网络以前馈方式预测场景的混合模型参数，仅用 32 个超二次曲面原语即可超越此前需 1200 个高斯原语的最优方法，同时推理速度提升 3.7 倍。
FreeGen: Feed-Forward Reconstruction–Generation Co-Training for Free-Viewpoint Driving Scene Synthesis: FreeGen 提出了一种统一前馈 3D 高斯重建与视频扩散细化的闭环协同训练框架，无需逐场景优化或昂贵的激光雷达标注，仅凭单轨迹图像输入即可在兼顾轨迹内几何一致性的同时实现高保真的任意偏航视角场景合成。
Geometry-Aware Spatio-Temporal Context Modeling for 4D Occupancy Forecasting: 提出端到端几何感知时空语境建模框架 GAST，摒弃离散 Token 化与自回归架构，通过位姿驱动的渐进显式-隐式特征生成与跨坐标系双路时空建模，在 Occ3D-nuScenes 上以 2.84 倍推理速度大幅超越 SOTA 达 7.67% mIoU。
Geometry-Preserving in 3D Gaussian Splatting for LiDAR-Camera Extrinsic Calibration: 提出 GeoP-Calib，通过稠密深度锚定（DDA，多视角 LiDAR 点云累积构建稠密深度先验）和梯度解耦（GD，阻断光度损失对高斯空间参数的反传）两条设计，缓解 3DGS 标定中的"几何衰退"问题，在 KITTI-360 和 KITTI 上平移误差显著优于现有无目标标定方法。
HilDA: Hierarchical Distillation with Diffusion for Advancing Self-Supervised LiDAR Pre-training: HilDA 用视觉基础模型（VFM）的「分层语义结构 + CLS 全局上下文」而非只用最后一层特征来蒸馏 LiDAR 骨干网络，并额外挂一个「预测未来 BEV 占据」的条件扩散任务补齐时空几何信息，在跨模态蒸馏的分割、检测、场景流、语义占据多个下游任务上刷新 SOTA。
Honey, I Shrunk the Arc de Triomphe!: 针对前沿单目度量几何模型在野外场景中远景地标严重缩放缩小的“尺度坍缩”缺陷，本文构建了首个利用地理元数据与已知双目基线锚定绝对物理尺度的真实世界数据集 MetricScenes，并提出两阶段边缘感知泊松深度补全算法，微调得到的 WildMoGe 在彻底解决远景尺度塌陷的同时保持了标准基准 SOTA 水平。
Horizon3D: Sparse Radar-Camera Fusion for Long-Range 3D Perception in Autonomous Driving: Horizon3D 提出一种面向长距离自动驾驶感知的稀疏雷达-相机融合框架，用高斯原语（Gaussian primitives）捕捉目标级细节、稀疏 BEV 特征编码场景级上下文，并通过双路径时序融合（BEV 路径做多帧累积 + Gaussian 路径做逐目标运动传播）同时解决远距离稀疏性和高速大位移两难问题，在 TruckScenes 上以 +3.0 NDS / +1.6 mAP 超过此前最优雷达-相机融合方法，且推理速度快于现有 BEV 融合方法。
HSDF-Lane: Height-Aligned Signed Distance Field with Semantic Lane Prior for 3D Lane Detection: HSDF-Lane 用垂直方向对齐的有符号距离场（HSDF）替代传统稀疏斜率锚点来隐式建模道路表面，通过可微渲染同时输出精确高度图和表面对齐特征，并引入车道感知语义位置编码（LSPE）将车道存在先验注入 Transformer 查询，在 OpenLane 基准上取得 3D 车道检测和高度估计双项 SOTA。
Learning 1-Bit LiDAR-based Localization with Auxiliary Objective: BiLoc 提出了首个面向 6-DoF 激光雷达定位的 1-Bit 二值神经网络框架，通过信息瓶颈视角引入仅在训练期生效的软掩码通道蒸馏与位姿感知最优传输辅助目标，在 Oxford 和 NCLT 数据集上大幅降低定位误差（Oxford 平均位置误差降至 7.56m，较最强二值 baseline 降低 10.11%），同时在 RTX 5090 上实现 2.07 倍推理加速与 3.01MB 超低权重存储。
Learning to Suppress SPAD-based LiDAR Flare: 针对 SPAD 激光雷达在高反物体（如交通标志）下因堆积效应和光学串扰产生虚假结构与几何畸变的痛点，本文将耀斑抑制重构为语义分割任务，提出结合第一/第二回波与环境光信息的物理启发网络 PILF，并基于预测掩码进行局部回波替换恢复真实几何。
mmIR: Frequency-Space Inverse Rendering for 3D Millimeter-Wave Radar ADC Synthesis: 针对毫米波雷达分辨率粗糙且缺乏高维真值数据的瓶颈，mmIR 构建了首个端到端可微的宽带 FMCW 雷达逆渲染器，以激光雷达点云重建的三角网格为几何脚手架，通过相位一致的 MIMO 正向电磁传输模型与自动微分联合优化顶点级 ITU 材料参数、法向量及天线方向图，并利用高密度虚拟孔径重渲染实现单帧 3D 占有网格生成与无监督跨传感器迁移。
ModTrack: Sensor-Agnostic Multi-View Tracking via Identity-Informed PHD Filtering with Covariance Propagation: ModTrack 将神经网络限制在单目感知与特征提取阶段，下游全流程采用雅可比协方差投影、\(\chi^2\) 约束图聚类、加权精度融合以及带闭环反馈的身份感知 GM-PHD 滤波等闭式解析方法，在 WildTrack 上取得 95.5 IDF1 与 91.4 MOTA，实现跨模态无缝迁移与可溯源的不确定性估计。
MOJITO: Modal Joint Learning for Unified End-to-End Autonomous Driving: MOJITO 提出了一种完全统一的传感器到动作端到端自动驾驶框架，通过块级模态联合注意力打破传统两阶段级联架构的信息瓶颈，无需预定义轨迹锚框与密集辅助监督即可实现具备强泛化与可扩展性的连续轨迹扩散生成。
MV2GF: Multi-view Pedestrian Detection with a Visual Geometric Foundation Model: 针对传统多视角行人检测在未知相机配置下几何感知失效与透视畸变过拟合的瓶颈，MV2GF 引入前馈视觉几何基座模型 Depth Anything 3，通过任务-几何特征金字塔融合与基于度量级 3D 点图的体素特征聚合，消除了阴影式投影畸变并实现了卓越的跨相机泛化能力。
NegROI: Click-Centric Uncertainty-Guided Refinement with Scene-Conditioned Negative Prompts for Robust Interactive 3D Segmentation: NegROI 针对点云交互式分割中粗体素边界模糊与背景假阳性泛滥的顽疾，提出点击中心的多分辨率不确定度细化机制与场景条件负向原型学习，显著降低交互轮次并增强从室内到室外自动驾驶场景的泛化鲁棒性。
OccDirector: Language-Guided Behavior and Interaction Generation in 4D Occupancy Space: OccDirector 提出了首个纯自然语言脚本驱动的 4D 占用网格交互生成框架，摆脱对刚性几何轨迹先验的依赖，借助冻结视觉语言模型编码、双流时空解耦 MMDiT 与历史前缀锚定策略，实现了高保真、因果一致的多智能体复杂行为演进与交互仿真。
Open-Vocabulary BEV Segmentation with 3D-Aware Geometric Constraints: 提出首个开放词汇BEV分割框架OVBEVSeg，通过反向几何推理路线（用无监督3D检测建立2D-BEV对应→BEV感知的3DGS优化几何→蒸馏到前馈网络）将VLMs的语义从2D提升到BEV空间，在nuScenes新类上超越闭集方法15.3 mIoU且推理速度更快。
Open-Weather Robust 3D Detection via Dual-Critic Diffusion Alignment: 针对恶劣天气下激光雷达点云退化及现有融合模型局限于封闭天气的瓶颈，提出双判别器引导的扩散对齐框架（DCDA），在无需成对数据和天气标签的条件下，利用4D毫米波雷达特征引导退化激光雷达特征向清晰流形恢复，显著提升未见天气类型与严重程度下的3D检测泛化能力。
PersonaDrive: Controllable Trajectory Prediction with Multi-Dimensional Driving Personas: 针对现有轨迹预测模型缺乏可控性且单一紧迫度维度无法刻画复合驾驶风格的问题，PersonaDrive 提出将驾驶风格解耦为时间紧迫度（Temporal Urgency）与乘坐舒适度（Ride Comfort）的 3×3 九宫格空间，构建了 PCT 数据集，并通过锚框变换网络 PCAT、多模态门控融合 PCMF 以及分层导引与多样性损失实现了自然语言驱动的个性化轨迹生成。
Pixel-wise Geo-registration of Drone and Satellite Images: 针对传统无人机-卫星跨视角定位局限于图像级相机中心估计且平面单应性难以应对大视差高程畸变的问题，本文提出基于前馈三维重建架构的几何感知配准模型 SkyReg 与首个像素级高精度地理基准 SkyReg-Bench，实现了鲁棒的高精度逐像素 GPS 坐标推算。
Plug-and-Play Traffic Element Awareness for End-to-End Autonomous Driving: 针对主流端到端自动驾驶系统忽视红绿灯和交通标志等规则性交通要素的缺陷，本文提出了轻量级即插即用的 3D 交通要素辅助监督与自车相关拓扑语言条件机制，在 nuScenes、NAVSIM-v1/v2 和 Bench2Drive 四大基准上全面提升了各类规划器的安全性与合规性。
RAF: Reliability-Aware Fusion of Camera, LiDAR, and 4D RADAR for Robust 3D Object Detection in Adverse Weather: 针对雨雪雾恶劣天气下相机镜头遮挡与点云极度稀疏的痛点，RAF通过弱监督跨模态特征对齐与局部匹配校准生成像素级可靠性伪标签，显式抑制图像受损区域噪声，在K-Radar基准上相比LiDAR–4D RADAR基线带来最高+6.5 APBEV与+7.4 AP3D的显著增益。
Real-Time Source-Free Object Detection: 本文在 YOLOv10（首个 NMS-free 双头检测器）上构建了实时无源域适应目标检测框架 RT-SFOD，提出双头伪标签融合（DHF）恢复 O2O 头漏检物体同时保持高精度，以及多尺度自适应表征多样化损失（MARD）对抗域偏移导致的特征秩退化，在四个域偏移基准上以 1.3 倍推理速度、~2 倍参数压缩实现 1.4-3.5% mAP 提升。
RECO: Region-Aware Compensation for Extrinsic Perturbations in Roadside 3D Detection: 针对路侧相机受振动或结构形变导致外参抖动与漂移的痛点，RECO 通过自适应预测近/远区分界线与分段 6-DoF 姿态残差补偿名义外参，结合可微 Sigmoid 软门控平滑几何映射场，在投影阶段消除空间特征失准，显著提升了瞬态与持续扰动下的 3D 检测鲁棒性。
ReinDriveGen: Reinforcement Post-Training for Out-of-Distribution Driving Scene Generation: ReinDriveGen 结合动态点云补全与条件视频扩散模型，并提出基于成对偏好模型与成对胜率奖励的强化学习后训练机制，在无需真值监督的前提下显著提升了极限打滑、翻车与剧烈变道等分布外安全关键驾驶场景的视频生成质量。
RePL: Pseudo-label Refinement for Semi-supervised LiDAR Semantic Segmentation: 针对室外半监督 LiDAR 语义分割中伪标签噪声引发的确认偏差难题，RePL 通过置信度与双模型一致性检测潜在错误体素，并借助掩码重构机制与可学习 token 主动精炼伪标签，在无需逐数据集微调超参的情况下刷新 nuScenes-lidarseg 与 SemanticKITTI 的 SOTA 记录。
Representations Before Pixels: Semantics-Guided Hierarchical Video Prediction: Re2Pix 提出将未来视频预测解耦为“视觉基础模型语义表征预测”与“语义引导的潜在扩散渲染”两阶段分层架构，并结合嵌套丢弃与混合监督解决自回归表征的训练-测试分布偏移，在自动驾驶基准上显著提升时序语义一致性、生成画质并带来高达 7 至 14 倍的训练收敛加速。
ScenarioControl: Vision-language Controllable Vectorized Latent Scenario Generation: ScenarioControl 提出了首个面向矢量化 3D 自动驾驶场景生成的视觉-语言可控潜空间扩散模型，通过跨全局控制机制将密集文本与单视角图像特征注入稀疏矢量道路与交通要素，并支持闭环行为仿真与多视角真实感视频生成。
SEM-ROVER: Semantic Voxel-Guided Diffusion for Large-Scale Driving Scene Generation: 提出基于定长表面采样的离散 3D 表达 \(\Sigma\)-Voxfield，通过 3D 局部扩散模型与重叠空间外绘实现以 8GB 显存扩展至十万平米尺度的高保真多视角一致自动驾驶场景生成。
Sen-Cap: Sensor-Flexible and Noise-Resilient Human Motion Capture via LiDAR-Camera Integration: Sen-Cap 提出了一种支持任意数量激光雷达与相机即插即用、且对恶劣点云噪声鲁棒的无标定 3D 人体动作捕捉框架，通过以人体为中心的特征对齐与瓶颈注意力融合估计局部姿态，并配合迭代细化位移预测实现稳定的全局人体轨迹追踪。
SIGMA-Lane: Scale-pyramId Gated MAmba for Temporally Consistent Video Lane Detection: 针对流式递归视频车道线检测中严重车辆遮挡引起的隐藏状态污染与闪烁失真，SIGMA-Lane 引入状态空间模型（SSM）一致的双重门控机制，分别在写入路径与残差融合路径阻断受损特征，并辅以坐标一致仿射对齐和结构化空间检索，大幅提升了遮挡场景下的时序拓扑一致性与检测精度。
SP-TransientBench: A Real-Captured Single Photon Perception Benchmark: 首个真实采集的多任务单光子LiDAR（SPL）3D感知基准数据集，提供完整的 \(256 \times 192 \times 672\) 瞬态飞行时间直方图、多视角姿态与多回波直方图域语义标注，覆盖深度估计、多视角重建和3D语义分割。
SWAN: World-Aware Adaptive Multimodal Networks for Runtime Variations: 针对自动驾驶中多模态传感器信息质量波动、平台计算资源动态受限与样本复杂度不一三重运行时变化，SWAN 提出了由可微 NeuralSort 驱动的 QoI 资源分配控制器、层内条件跳过模块 SkipGate 与检测头 Token 剪枝组成的端到端自适应网络，在 nuScenes 上降低至多 49% 计算量且保持优异检测精度。
Targeted Structure Completion for Sparse-View 3D Reconstruction in Autonomous Driving: 针对自动驾驶环视稀疏视角（重叠率<15%）下全场景体素密集补全计算冗余的问题，FocusGS解耦确定性区域与歧义区域，通过提取深度边缘构建3D几何歧义流形，仅在该稀疏拓扑子空间内实例化与优化高斯查询，以减少约74%的高斯数量和34%的渲染延迟实现了SOTA重建质量。
TASE: Truncation-Aware Semantic Embeddings for 3D Scene Understanding and Editing: TASE 通过套娃自编码器将预训练 2D 语义特征映射为通道有序且无 2D 位置偏置的截断感知嵌入，并将其提升至 3D 高斯泼溅中，借助渐进通道截断调控语义抽象层级与场景贴合度，实现了支持大幅几何重构的高保真文本引导 3D 场景编辑。
Towards Metric-Agnostic Trajectory Forecasting: 本文主张轨迹预测应该只学一个「校准良好的预测分布」，把 minFDE / soft mAP 这些互相打架的指标当成下游任务，用一组免重训的采样策略（TraDiE policies）在评测时从同一个分布里挑出每个指标各自最优的 K 条轨迹，从而让单个 DONUT-NLL 模型在 Waymo 上同时刷到距离类和窗口类指标的 SOTA。
Towards Practical Lossless Neural Compression for LiDAR Point Clouds: 针对自动驾驶高精度激光雷达点云压缩中的高分辨率上下文稀疏难题与跨平台浮点失步导致的熵编码崩溃，本文提出融合几何重致密化与跨尺度特征传播的轻量八叉树预测框架，并构建了首个端到端混合精度全整数推理流水线，在完全保障跨平台确定性解码的前提下达到 14 FPS 实时无损压缩。
Towards Robust Driving Perception: A Flexible Scale-Driven Family for Self-Supervised Monocular Depth Estimation: 针对自动驾驶中运动物体破坏光度重投影一致性以及轻量模型边缘模糊的难题，FlexDepth 构建了覆盖 Nano 到 X-Large 的全尺度自监督单目深度估计模型家族，首创无前置卷积的尺度驱动解码器与基于跨 epoch 预测时序不一致性的两阶段动静解耦训练策略，在完全不依赖语义或光流等先验下实现 SOTA 精度与极致端侧推理速度。
Trajectory-aware Cross-view Geo-Localization with Sequential Observations: 针对传统跨视角地理定位忽视路线语言描述且缺乏空间几何布局感知的问题，本文构建了首个包含 3.9 万对时序视频-路线文本-卫星图的 SeqGeo-VL 基准，并提出 TrajLoc 框架，通过两阶段课程学习与轻量级轨迹调制模块 TrajMod，显著提升了视频和文本检索卫星图的定位精度。
TraversRL: Traversable Pedestrian Pathway Generation With Reinforcement Learning: 针对传统航拍图像语义分割提取人行道常导致拓扑断裂的问题，TraversRL 将行人路径网络生成建模为模拟行人视角的逐步决策过程，提出方向与距离离散动作空间并结合 GRPO 全局图缓冲 IoU 与局部几何效率奖励微调，使网络连通性指标 TravSim 翻倍并大幅减少冗余分支。
UECP: Uncertainty-Enhanced Collaborative Perception: 针对协同感知中分类置信度图易诱发虚警自强化与特征污染的痛点，UECP 提出基于物理传感器点云密度的不确定性图，并通过不确定性加权下采样与残差融合模块实现鲁棒高效的多智能体 BEV 特征聚合。
Understanding Cross-Rig Generalization in Automotive Perception: a Multi-Rig Benchmark and Rig Variation Metrics: 本文构建了包含14种系统变化的相机布局的仿真基准PCCR，提出Rig Variance和Rig Contrastive Distance两个基于标定参数的几何描述子，实验表明相机平移差异是跨rig泛化性能下降的主导因素，RigCD可预测不同布局间的迁移难度排序，Spearman秩相关最高达0.80。
UniTeD: Unified Temporal Diffusion for Joint Perception and Planning in Autonomous Driving: UniTeD 把感知（检测、地图、运动预测）和规划的 anchor query 放进同一个扩散去噪过程里联合建模，用时序过渡模块（TTM）对齐历史帧与当前帧的噪声水平、用 Anchor Refresh 策略缓解稀疏扩散的训练-推理分布偏移，仅用相机就在 NAVSIM、Bench2Drive 上超过判别式与「只对规划做扩散」的方法，拿到 90.2 PDMS / 87.3 DS。
Unordered Landmark Visual Navigation: 针对无序图像集合缺乏时序与里程计先验导致的严重感知混淆和建图崩溃难题，ULVN 提出了首个纯 RGB 无序地标视觉导航统合框架，通过自校准几何验证与极大生成森林建图、2D 图信度传播定位以及瓶颈鲁棒子目标规划，实现了无里程计下的闭环稳健导航。
Unsupervised Point Cloud Registration via Training-Time Semantic Guidance: 针对室外大场景无监督激光雷达点云配准中几何歧义导致伪标签噪声与“语义坍塌”的难题，CAESAR 提出仅在训练阶段引入冻结的离架 3D 语义分割模型提供语义锚点，结合双线索重匹配、轻量批次自适应教师精炼与语义预测蒸馏，在保持推理零额外开销的前提下大幅刷新 KITTI 和 nuScenes 的 SOTA 配准表现。
Unveiling Transferability in Trajectory Prediction via Latent Scene Embeddings: 本文提出 TransferAtlas 框架，用一个图神经网络编码器将 24 个轨迹预测数据集共同映射到 32 维统一隐空间，数据集在此空间中表现为一个高斯分布，两个分布间的 KL 散度即可量化从源域到目标域的迁移难易程度——零样本迁移的 Spearman 秩相关系数达 0.811，为数据集选择、预训练源推荐和基础模型构建提供了原理性指导。
VIPS: Vehicle-Infrastructure Cooperative Planning Benchmark via Pseudo-Simulation: 提出首个面向车路协同（V2I）端到端规划的伪仿真基准 VIPS，结合真实与合成扰动观测对规划策略进行保真鲁棒性评测，并设计了高效紧凑的稀疏协同规划框架 CoS-V2X。
When the City Teaches the Car: Label-Free 3D Perception from Infrastructure: 提出路侧基础设施自监督教学（infrastructure-taught）范式，利用固定路侧单元（RSU）在静止视角下的时序一致性无标注自学3D检测器，并将预测广播聚合为车端伪标签，使自车摆脱对人工真值标签与在线V2X通信的依赖，在CARLA CIVET基准上达到82.3%的车辆检测AP（对齐全监督上界的87%）。
Adaptive Neural Dynamics for Robust Geometric LiDAR-Inertial State Estimation on UAVs: NeuroSDE-LIO 保留 FAST-LIO2 的几何估计骨架，让运动相关的神经随机偏置模型与线性先验自适应融合，并把学习到的不确定性传入滤波器，在 UAV-Lab 上把绝对位姿误差从 2.13 米降到 1.34 米，同时维持 19.2 Hz 的 LiDAR 处理速度。
Agent-OBJ: Prompt-Driven 3D Adversaries for Multi-Modal Perception: Agent-OBJ把三维对象的形状与外观变化转化为语言提示搜索，在仅查询检测框和置信度的条件下，结合自然性与跨视角稳定性约束，在nuScenes模拟插入评测中取得64.0%的相机与融合检测器联合漏检率。
AiSCREAM: Absolute Target Localization with Language-Conditioned Cross-View Alignment for Autonomous Vehicles: AiSCREAM 把单张前视图生成的俯视图作为辅助空间线索，以语言条件语义分割对齐两种视角，再用多任务定位与 MLLM 纠错输出米制目标坐标和可接受区域，在 DRAMATiST 上将最强模型基线的 RMSE 从 8.56 米降至 5.00 米。
Analytic Bayesian Uncertainty for LiDAR Segmentation: A Single-pass Generative Approach: GMM-NIG在确定性分割骨干后，为类条件高斯混合模型的均值与方差建立共轭贝叶斯后验，再用解析Student-t预测密度输出分类概率和不确定性，使SemanticKITTI上RangeFormer达到65.71% mIoU、2.01% ACE和53.33%错误检测AUPR，而不需要多次随机前向。
ASTAD: 非对称风格迁移实现自动驾驶合成到真实域的适应: ASTModel 针对自动驾驶场景中「合成图有完美标注、现实风格参考图无标注」的非对称约束，提出两阶段无训练框架——先用 DINO 原型匹配从无标签风格图提取粗语义先验，再在扩散逆过程中通过多层语义投票精化先验、鲁棒中位数阈值过滤和像素比例调制混合 AdaIN 实现类一致风格注入，在保持语义结构前提下 3.2x 提速生成逼真的目标域风格数据。
AV2T-Gen: Aerial Visible to Thermal Generation with Environment and Vehicle State Guidance: AV2T-Gen 在 Instruct-Pix2Pix 式扩散生成中加入环境提示和带运动状态的目标条件，使航拍 RGB 到热红外转换不只模仿外观，在四场景联合评测中将 ThermalGen 的 FID 从 83.16 降至 67.45，并提升合成红外图像上的车辆检测效果。
BEVOpen3D: Towards Open-World 3D Object Detection in Bird's-Eye-View: BEVOpen3D让视觉教师从已见类别学会修正规则生成的3D框，再通过三源伪标签融合和BEV热图蒸馏训练纯LiDAR学生，在nuScenes七类未见设置下取得30.10 mAP、16.26未见类AP，相比Find n' Propagate分别增加0.73、1.33个百分点。
BitRIC: Efficient Neural Compression of LiDAR Range Images via Hierarchical Bitplanes: BitRIC 把整数距离图拆成由高位到低位的二值平面，以共享上下文和三阶段概率估计进行熵编码，再用单步残差细化补偿截断低位，在 WOD 上相对 JPEG2000 达到 D1 BD-BR −61.73%、无损码率 6.05 Bpp，并保留较好的下游检测精度。
Boba: Batched Simulation for Physics-Based Gaussian Digital Twins: Boba 在 PhysTwin 的可变形高斯数字孪生上联合优化物理模型、蒙皮和 GPU 执行，把 Orin 单实例延迟从 330.9 ms 降到 32.5 ms，并在 RTX 4090 上实现 3309.9 FPS 批次总吞吐，同时保持接近基线的重建与预测质量。
CaRe: Critical Parameter Rectification for Efficient Visual Modeling: CaRe把普通权重改写为稠密基础项加上可学习的Softplus门控修正，在训练中集中修正少量重要位置、部署前合并回普通层，使CaReNet-M1以33,203张/秒的A100吞吐量达到73.6% ImageNet-1K Top-1，比EfficientViM-M1高0.7个百分点。
CGCC: Towards Generalizable Clothes-Changing Person Re-Identification: 针对换装行人重识别在真实开放场景下泛化性差的问题，本文构建了首个涵盖多地域文化、气候光照及细粒度解耦文本标注的大规模合成基准 CGCC（4,101 个身份、21.7 万张图像），并提出基于子空间正交投影的文本引导身份提纯框架 TGIR，实现了跨域换装重识别精度的显著提升。
DiverseAD: A Large-Scale Driving Dataset with Diverse Atmospheric Conditions: DiverseAD 同时提供覆盖多种天气的 15 万场景驾驶数据集和双锚点特征学习方法：用真实轨迹的方向模式与冻结 DINOv3 的场景关系指导视觉表示，在 DiverseAD 上将平均 L2 轨迹误差从已微调 FSDrive 的 1.44 m 降至 1.24 m。
Doe-2: 3D Representation World Model for Unified Driving Scene Forecasting: 清华大学与引望智能提出原生 3D 世界模型 Doe-2，仅以环视相机为输入，在紧凑 3D 隐空间中将动作条件自回归时空动力学建模与轻量 DiT 扩散细化头相结合，实现了单次前向同时解码多视角图像、深度、语义及 4D 占据网格的端到端统一预测。
DRS-VPT: Directly Re-localizing in Scenes using a Vision and Point Transformer: 提出首个面向跨模态图云配准的基础前馈 Transformer 架构 DRS-VPT，通过解耦与全局交替注意力融合未经对齐的图像与原始无色 3D 点云，结合展开式可微重投影特征度量精细对齐，无需位姿初值与预置纹理即可实现大基准跨传感器全场景高精度重定位。
EgoTraj: Real-World Egocentric Human Trajectory: EgoTraj 是首个基于消费级 AR 头显（Meta Quest Pro）采集的真实户外多模态第一人称轨迹数据集与评测基准，同步记录了 75 名受试者在复杂城市道路中自选路线行走时的 6DoF 头部姿态、3D 视线向量、第一人称视频与 VLM 场景结构化标注，并通过级联交叉注意力验证了视线和场景先验对未来轨迹与头部朝向预测的显著收益。
ESNE: Efficient Surface Normal Estimation for LiDAR Point Clouds with Sequential Modeling and Variability Guidance: 针对大规模稀疏非均匀激光雷达点云，ESNE 提出融合状态空间模型与基于希尔伯特曲线的一维序列局部注意力的轻量架构，并创新引入注意力离散度表征的局部结构变异性特征精炼机制，在参数量骤降 89.4% 的同时实现推断速度翻倍且平均角度误差降低 33.4%。
Event-LiDAR: 3D Eventification for Efficient Point Cloud Processing: 针对多帧激光雷达点云处理中显著的时空冗余，Event-LiDAR 提出了一种无需学习的 3D 事件化前处理范式，利用局部一阶几何模型逼近相邻帧几何演变并提取难以预测的有符号结构偏差作为 3D 事件，在保持检测精度几乎无损的同时削减 72% 的点数并带来最高 23% 的端到端推理加速。
Fast and Scalable LiDAR Data Generation for Autonomous Driving Simulation without Raycasting: GnoSphere360 完全摒弃了传统昂贵的光线与网格求交（Raycasting），通过将三维三角网格重叠投影至传感器中心的单位球，并结合方位角-仰角格网装箱与心射切面投影（Gnomonic Projection）解析求解深度，实现了高达 CARLA 引擎 35 倍的生成吞吐率，并在密集光线场景下反超专用光线追踪引擎 NVIDIA OptiX 3.6 倍。
FrozenDrive: Zero-Shot Text-Guided Driving Scene Generation and Data Augmentation: FrozenDrive 把预训练 Stable Diffusion 主干完全冻结、零新增参数，仅通过重排 self-attention 的输入（拼接多视角特征、注入前一帧参考）就同时拿到多视角与时序一致性，从而保住原始扩散先验、实现零样本文本引导的驾驶场景生成，并用文本 prompt 定向合成夜/雨/雪等稀有恶劣天气数据显著提升下游感知与规划鲁棒性。
HVA-Fusion:Hierarchical Velocity-Aware 4D Radar-LiDAR Fusion for Robust 3D Object Detection: 针对激光雷达在恶劣天气下失效及4D毫米波雷达点云稀疏且多普勒径向速度无法表征真实运动状态的问题，本文提出了分层速度感知融合框架 HVA-Fusion，通过真实运动速度估计、Pillar级邻域自适应交互、RCS引导的高斯特征稠密化以及BEV级双向可变形注意力门控，实现了全天候高精度3D目标检测。
Ice Cloud Geometry Retrieval with Calibrated Uncertainty from Passive Satellite Imagery: 针对主动雷达测高星下点极度稀疏（~1.6%）而无垂直直接敏感度的被动多光谱卫星视场宽阔的覆盖鸿沟，本文提出结合 ERA5 大气廓线先验的 ConvNeXt-UNet 稠密反演模型，通过五模型分位数集成与共形分位数回归（CQR）输出具备严格 90% 边际覆盖保证的八项冰云几何微物理量，证实模型学到的是独立逐像素光谱映射而非空间插值。
Label-Free Text Prototype Adaptation for Open Vocabulary Segmentation: VPTA 提出了一种无需标注数据的开放词表分割文本原型自适应框架，在冻结全部网络权重的前提下，仅使用目标域无标签图像，通过边际置信像素筛选、类别可靠度评估驱动的步长缩放以及按可靠度降序的正交化去重，有效校准了 CLIP 文本原型的语言先验偏置。
LEO-Fuse: A Modality- and Task-Agnostic Universal Framework for Multimodal Human Sensing: 针对非侵入式人体感知中多传感器模态易缺失与模态崩塌痛点，LEO-Fuse 提出通用局部专家编排框架，结合冻结单模态编码器、掩码感知 Transformer 融合与局部自适应路由机制，以单一训练模型零重训泛化覆盖五模态全部 31 种非空输入子集。
Noise is a Good Teacher: A Noise-Driven Framework for Robust Collaborative Perception: 针对车路协同与车车协同感知中普遍存在的位姿偏差与特征损坏耦合问题，本文提出“以噪声为师”（NoiseGT）的噪声驱动自监督框架，通过多尺度特征高强注入自去噪与位姿多级扰动校准，在无需干净中间真值监督的前提下显著提升了强噪声条件下的 3D 目标检测鲁棒性。
OmniNWM: Omniscient Driving Navigation World Models: OmniNWM 用一个统一的概率框架把驾驶世界模型的「状态-动作-奖励」三要素打通：联合生成像素对齐的全景 RGB / 语义 / 深度 / 3D 占据，用规范化全景 Plücker 射线图把运动控制从相机装配几何里解耦出来实现零样本跨相机迁移，再从生成的占据体直接导出稠密奖励，从而在生成的世界里对规划智能体做闭环评估。
PointLAM: Local Attentive Mamba for Efficient Point-based 3D Object Detection: 针对点云 3D 目标检测中点基（point-based）方法计算延迟高与体素化方法量化失真的两难困境，PointLAM 提出了基于离散拉普拉斯高通滤波与双重排序的下采样器 LPS，并结合瞬态网格路由与阿达马门控聚合器 LHA 及双向 Mamba 模块，在保持点云精细几何结构的同时实现了接近体素级的高推理效率。
PriorMaskMap: Robust Online Vectorized Map Construction with Biased Priors: 针对离线高精地图与导航先验由于道路改建、维护或时效滞后所引入的结构性偏差，PriorMaskMap 通过密集置信度估计器（PACE）判别先验可靠区域，并以置信度门控引导双先验查询初始化与 BEV 特征自适应融合，在严重拓扑偏差先验下仍实现了领先的高精矢量地图在线构建精度。
Ray-Path-Aware Virtual Point Removal on 2D Layer-Wise Nearest Point Map: 针对激光雷达扫描反射物体（如玻璃幕墙）时产生的结构性虚假镜像点问题，本文首次摆脱显式三维反射面拟合与局部对称性假设，提出在二维等距柱状投影域下基于分层最近点图（Layer-Wise Nearest Point Map）与光线路径感知注意力（Ray-Path-Aware Attention）的端到端去除框架，将 F1 分数提升至 0.7895~0.8062 并实现超两个数量级的计算加速。
Real-Time LiDAR Gaussian Splatting SLAM via Geometry-Aware Covariance Coupling: 针对大规模激光雷达SLAM中高斯泼溅建图内存爆炸与误差累积难题，提出追踪与建图双向复用G-ICP协方差的紧耦合架构，结合几何控制分引导的平面剪枝与结构自适应分裂，在保持20+ FPS实时运行的同时实现高精度连续表面重建与紧凑图谱存储。
ReconDreamer-RL: Enhancing Reinforcement Learning via Diffusion-based Reconstruction: ReconDreamer-RL 将视频扩散先验与运动学物理约束引入 3D 高斯泼溅场景重建构建 ReconSimulator，并结合动态对抗智能体（DAA）与近亲轨迹生成器（CTG），在闭环强化学习中将端到端自动驾驶碰撞率大幅降低至前序基线的近三分之一（相比模仿学习降低超 5 倍）。
Reconstructing Dense Depth of Dark Scenes with Sparse LiDAR, Noisy Events, and Blurry RGB: 针对夜间及极端暗光自动驾驶中长曝光 RGB 运动模糊严重误导深度补全的痛点，本文提出事件引导恢复与上采样网络 ERU-Net，通过隐式神经表示递归恢复无伪影的几何表征，并结合事件高频运动流实现置信度感知的自适应深度上采样，实现端到端连续稠密深度重建。
Rethinking Training & Inference for Forecasting: Linking Winner-Take-All back to GMMs: 本文揭示自动驾驶轨迹预测中广泛使用的 Winner-Take-All (WTA) 损失函数本质上是 K-Means 聚类目标而非高斯混合模型 (GMM) 似然，正是这一"GMM 建模 + WTA 训练"的不匹配导致模式概率无信息量且过分割；在此基础上提出两种无需重训的后处理手段——测试时加权合并与一步 EM 微调，显著改善模式排序质量和位移精度。
RIGS: Radar-Informed Gaussian Splatting for Uncertainty-Aware 3D Occupancy and Motion Prediction: RIGS 提出了一种雷达引导的 3D 高斯泼溅架构，在场景表征、占用细化和速度估计三阶段系统利用 4D 毫米波雷达的距离、功率与多普勒物理量，结合证据椭球 BKI 不确定度推断与多普勒解模糊，实现了长距离 3D 语义占用、体素不确定度与稠密 3D 运动场的联合预测。
Semantic-Aware, Physics-Informed, Geometry-Grounded Weather Synthesis: 通过解耦语义锚定、物理驱动的各向异性高斯粒子动态模拟与 3D 几何对齐，有效激活现成视频扩散模型中被抑制的天气与粒子先验，实现逼真、时空连贯且可控的恶劣天气视频生成。
SGC-Lane: Monocular 3D Lane Detection with Standard-Definition Map Guidance and Lane Completion: 针对单目 3D 车道线检测中 2D 到 3D 几何推断不适定与远端截断问题，SGC-Lane 利用粗粒度 SD 道路级中心线结合前视动态车道宽度预测进行车道概率图引导，并通过基于步长一致性约束的 SCC-Head 完成端点聚类补全，在 OpenLane 上取得 65.6% F1-score。
SkyLume: A Large-Scale Multi-Illumination Aerial Benchmark for Urban Scene Reconstruction and Beyond: 针对真实无人机航拍测绘中因跨时段光照与阴影漂移导致光度一致性失效的根本痛点，SkyLume 构建了首个涵盖 10 个典型城市区域、超 10 万张 6K 五向倾斜航拍影像的大规模真实数据集，通过 RTK 重复航线与多时段对齐联合 SfM 隔离光照变量，配套厘米级 LiDAR 真实几何真值，并提出时序一致性系数（TCC）用于量化评测大规模三维重建、新视角合成与逆渲染的材质解耦能力。
StreamOcc: Streaming Dense Voxel Representations for 3D Occupancy Prediction: StreamOcc首次将流式更新范式与稠密3D体素表示结合起来用于占用预测，通过矫正体素流式聚合（StreamAgg）和查询引导聚合（QueryAgg）分别解决warping畸变和动态目标特征退化两大难题，在83.3ms/帧的实时延迟和2.8GB显存占用下达到SurroundOcc和Occ3D-nuScenes上的SOTA性能。
StreetForward: Perceiving Dynamic Street with Feedforward Causal Dynamics: StreetForward 提出了一种无需相机位姿、外部追踪器和分割标签的前馈 4D 动态街景重建框架，通过因果掩码注意力解耦时序有向运动并联合跨帧渲染一致性优化，实现了高保真度的时空外推与插值视角合成。
SynHMR: Synergistic Joint-Mesh Modeling for LiDAR-based Human Mesh Reconstruction: 针对稀疏激光雷达点云下传统先估计关节再回归网格的解耦流水线易放大误差的问题，SynHMR 提出骨骼关节与网格顶点的协同联合建模框架，利用几何感知 Transformer 实现骨骼与表面的双向空间约束交互，并在三个公开数据集上刷新 SOTA。
TEX-Drive: Temporal Perception Meets Experience-Guided Mixture-of-Experts for End-to-End Autonomous Driving: 针对端到端自动驾驶中时序感知与专家专业化割裂、导致长时程与动态场景决策不一致的难题，TEX-Drive 提出显式关键帧引导的时序感知单元与基于长期记忆经验路由的混合专家规划架构，在 Bench2Drive 闭环基准上取得 68.22 Driving Score 与 40.62% 成功率。
The Language of Visual Attention: Modeling Scanpaths via Autoregressive Token Prediction: 将眼动视线扫描路径（scanpath）重构为离散坐标自回归序列生成任务，借助视觉语言模型强大的多模态与时序先验替代传统手工几何先验，在 MIT1003 上斩获 2.18 bits 信息增益（相比同等视觉主干提升 46%），并天然支持注视时长、观察者个性化与目标引导等前缀提示条件干预。
TriO: Tri-Modal Unsupervised Occupancy World Model for Anything Perception: TriO 首次将相机、LiDAR 与毫米波雷达三种模态同时作为输入与自监督信号，构建 4D 连续无监督占用世界模型，通过几何驱动的软概率伪标签实现了零样本路面障碍物与可行驶区域的高泛化分割。
Uncertainty-Driven Gaussian Sphere Propagation for 3D Semantic Segmentation: 针对 3D 点云在物理遮挡和稀疏边界处确定性推理失效且传统离散聚合缺乏方向感知的问题，提出不确定性驱动的高斯球传播框架（UGSP），通过蒙特卡洛 Dropout 划分高/低不确定性区域构建空间路径，并利用球谐函数各向异性高斯球将可信锚点语义定向传播至几何空洞中。
UniFlow: Zero-Shot LiDAR Scene Flow for Autonomous Driving: UniFlow 破除了 3D 目标检测与语义分割中“多源激光雷达联合训练必掉点”的固有认知，证明低级场景流估计具有内在几何普适性，通过统一五大自动驾驶数据集、匹配时间步长并引入极简几何增强，让无须架构改动的标准场景流模型在 Waymo、nuScenes 刷新 SOTA，并在未见过的卡车数据集 TruckScenes 与高分辨 FMCW 激光雷达 AEVAScenes 上实现大幅零样本超越。
Unpaired Geometry-Guided Sim2Real Translation for Autonomous Driving: 针对自动驾驶仿真图像向真实世界迁移中配对几何监督缺失及多条件控制开销巨大的难题，提出 CDCT 框架，通过跨域分数合成将合成域几何差分注入真实域外观先验，并设计轻量级多条件适配器 LMCA，实现高保真无配对真实感纹理生成并大幅提升下游感知性能。
VectorReLoc: Reliable Vectorized SD Map Visual Re-localization with Contrastive Feature Alignment: VectorReLoc 抛弃了传统高开销的密集栅格 BEV 匹配范式，提出首个基于全矢量化表示的 SD 地图视觉重定位框架，结合对比特征对齐与轻量级可靠性预测头，在车载边缘芯片上仅需 2–5 ms 即可实现厘米级精度的 3-DoF 位姿偏置回归。
VVSim: A Large-Scale Aerial-Ground Dataset and Benchmark for Cooperative Perception: 针对车车与车路协同感知视角固定且易受遮挡的局限，本文构建了首个包含6.1万帧时空对齐多模态数据的大规模空地协同感知数据集 VVSim，并提出了结合跨视角高度感知与智能体可变形注意力的基准模型 VVFormer，显著提升了复杂动态交通下的协同3D目标检测性能。
WarpI2I: Image Warping for Image-to-Image Translation: 本文提出一个与模型无关、无参的 warp-unwarp 框架，在编码前对显著性区域做空间放大再反向还原，在不增大隐空间分辨率的前提下保留 LDM 图像翻译中的细粒度结构信息；同时配套提出一套基于 FLUX 的轻量合成数据管线，在人体/驾驶场景重打光与天气/时段驾驶翻译任务中以极小开销取得显著提升。
Who Does What and Where to Go: Orthogonal Alignment and Hierarchical Planning for Multi-Entity Trajectories: 针对多实体文本驱动轨迹生成中的角色动作混淆与空间物理碰撞两大瓶颈，ProgTraj-Director 提出通过 StructVLA 模块将静态外观掩码与动态动作先验进行正交张量融合，并构建几何感知俯视图（BEV）作为显式拓扑蓝图引导 3D 扩散去噪，在全新构建的 Stepwise-ME 数据集上将实体碰撞率大幅降低至 7.3%，动作归属准确率达到 96%。
ZTRS: Zero-Human Demonstration End-to-end Autonomous Driving with Trajectory Scorer: ZTRS 在固定轨迹词表上穷举规则奖励，用穷举策略优化替代专家轨迹模仿和少量动作采样，在 Navhard 的 V2-99 配置达到 45.5 EPDMS；其“零人工示范”指不使用逐样本专家模仿目标，并不排除轨迹词表和视觉预训练的数据先验。
混合事件-帧传感器：统一噪声建模、标定与仿真: 提出首个混合事件-帧传感器的统一统计噪声模型与标定管线，并构建了能生成与真实传感器噪声分布一致的 RAW 帧和事件流的仿真器 H-ESIM，在视频插帧和去模糊任务上验证了仿真到真实的迁移能力。