ECCV2026 几何匹配与定位论文解读论文笔记 SLAM 三维重建人体姿态 3D 高斯渲染目标跟踪对抗鲁棒

🧊 几何匹配与定位¶

🎞️ ECCV2026 · 77 篇论文解读

📌 同领域跨会议浏览： 🧠 NeurIPS2026 (4) · 📷 CVPR2026 (100) · 🔬 ICLR2026 (12) · 🧪 ICML2026 (2) · 🤖 AAAI2026 (1) · 🧠 NeurIPS2025 (6)

🔥 高频主题： SLAM ×12 · 三维重建 ×10 · 人体姿态 ×8 · 3D 高斯渲染 ×8 · 目标跟踪 ×6

XYZ-IBD: Benchmarking Robust 6D Object Pose Estimation under Real-World Industrial Complexity: XYZ-IBD 用多传感器真实料箱数据、喷涂辅助几何标注及噪声匹配仿真建立工业 6D 位姿基准，在 15 种零件上揭示现有方法的明显性能缺口，其中 SAM6D 的 XYZ-IBD 6D AP 为 0.578，而其 BOP-Core 5 平均值为 0.704。
4D-VGGT: A SpatioTemporal Foundation Model for Dynamic Scene Geometry Estimation: 4D-VGGT 用自适应视角-时间网格组织输入，让跨视角全局融合与跨时间局部融合并行学习空间和运动线索，再按任务分配给五类预测头，在 Bonn 相机位姿估计上取得 ATE 0.017，并通过消融展示空间分支与时间分支的不同贡献。
DINO-SLAM: DINO-Informed RGB-D SLAM for Neural Implicit and Explicit Representations: DINO-SLAM 用在线优化的场景几何编码器将冻结 DINOv2 特征与深度融合成 geoDINO，再分别接入隐式和显式地图，使基于 GauS-SLAM 的版本在 Replica 八场景平均 PSNR 上从 40.25 提升到 41.42 dB，同时改善深度与轨迹误差。
E-M3RF: An Equivariant Multimodal 3D Re-assembly Framework: E-M3RF 将随旋转一致变化的几何特征与逐点颜色特征融合，用 SE(3) 流匹配预测碎片位姿，并在训练时惩罚相互穿透，使 RePAIR 上的旋转 RMSE 从 GARF 的 49.31° 降至 37.91°，但并非在所有泛化数据集的所有指标上都占优。
CAM3R: Camera-Agnostic Model for 3D Reconstruction: 针对前向三维重建基础模型受限于针孔假设、在广角与非透视镜头下严重退化的问题，CAM3R 将两视角几何解耦为球谐光线方向场与径向距离/相对位姿，并提出光线感知全局对齐，实现了无需标定即可跨全景、鱼眼及针孔相机的高保真三维重建。
Geometric Context Transformer for Streaming 3D Reconstruction: GCT 借鉴经典 SLAM 的三层空间上下文分解思想，提出几何上下文注意力（GCA），解耦出锚点上下文、局部姿态参考窗口与轻量轨迹记忆，将流式重建单帧 token 膨胀率降低约 80 倍，在 H800 上以 20 FPS 稳定运行超长视频序列并大幅超越现有流式与优化方法。
Register Any Point: Scaling 3D Point Cloud Registration by Flow Matching: RAP 将多视图点云配准改写为局部几何条件下的点坐标生成，用逐步刚性约束稳定流匹配采样，再从生成点恢复各视图位姿，在作者提出的跨域零样本基准上取得 85.9% 边成功率、77.3% 图成功率和平均 8.9 秒的运行时间。
RoMa v2: Harder Better Faster Denser Feature Matching: RoMa v2 用冻结 DINOv3 上的多视图粗匹配、解耦训练的高效细化和像素级不确定度预测，兼顾困难视角匹配与亚像素精度，在 AerialMegaDepth 上将 RoMa 的 EPE 从 25.05 降至 4.12 像素，但并未在极端跨模态泛化或绝对速度上全面领先。
Track4World: Feedforward World-centric Dense 3D Tracking of All Pixels: Track4World 用全局视频几何支撑二维到三维相关性解码，以可查询的帧对场景流构建每帧所有像素的世界坐标轨迹，在 KITTI 上取得 0.0742 的 EPE3D，同时避免把昂贵的三维邻域搜索直接扩展到全像素。
Wid3R: Wide Field-of-View 3D Reconstruction via Camera Model Conditioning: Wid3R 把多视图前馈重建的输出从「点图」改成「球谐射线方向 + 沿射线径向距离」的解耦表示，并用可学习的相机模型 token 显式条件化共享主干，使同一个网络无需标定和去畸变就能对鱼眼、360° 畸变图像单次前向预测稠密点图与相机位姿；在 Zip-NeRF（鱼眼）上把 AUC@30° 从 π3 的 40.94 提到 74.61，在 Stanford2D3D（360°）上从之前最好的 2.60 提到 79.93。
ActiveStructure: Plane Scene Graph-Guided Active 3D Gaussian Splatting: ActiveStructure 在主动 3DGS 建图中加入持续更新的平面场景图，用关系异常与三维缺口驱动视点选择，并让已建好的墙面从探索吸引目标变成抑制信号，在 Replica 的固定 2000 帧预算下达到 97.47% 覆盖率和 32.13 dB PSNR。
AnyMatch: Supercharging Universal Multi-Modal Image Matching with Large-Scale Single-View Images: AnyMatch 提出一种从海量单视图图像零成本合成多模态多视角匹配数据的框架，通过单目深度估计+3D重投影+扩散补全实现几何一致的视角变换，结合跨模态图像翻译实现红外/深度/法向/事件四种模态生成，并用样本级几何一致性验证（SGCV）过滤生成瑕疵；在 Any-syn 合成数据集上微调 LoFTR/EDM/RoMa 后，跨模态匹配性能大幅超越 MINIMA 等现有合成方法，且在未见医学/遥感模态上展现出强零样本泛化能力。
Audio-Visual Camera Pose Estimation with Passive Scene Sounds and In-the-Wild Video: 本文提出首个利用被动场景音频辅助视觉进行相对相机位姿估计的方法，通过到达方向谱与双耳化嵌入组成的空间音频编码器（SAE）与SOTA视觉位姿估计模型Reloc3r进行晚期融合，在真实场景与仿真数据集上均取得显著提升。
AutoCompass: Accurate Visual Localization on Public Maps by Learning from Weak Labels: AutoCompass 针对公开2D地图神经匹配器过度依赖带噪绝对地理参考位姿真值的瓶颈，提出消除航向角标签依赖的隐式监督机制、容忍大范围位置误差的 GPS 局部块边际化损失，以及基于 SfM 相对位姿的高精度约束，仅用弱标签即可超越强监督 SOTA。
Boosting Correspondence Learning with Structure-Aware Estimator: 本文把对应学习末端的独立加权最小二乘替换为结构感知估计器，用学习到的内点关联图修正几何求解的信息矩阵，使 DeMatch 在 YFCC100M 上的 AUC@5° 从 30.95 提高到 36.58，但跨室内外场景与硬筛点架构仍是明显边界。
CapFrame: Text-Instructed Viewpoint Grounding in 3D Gaussian Scenes via Geometric Pseudo Labels: 针对传统3D场景语言引导仅关注目标定位而无法控制构图与视角的痛点，CapFrame提出文本指令视点定位任务，通过两阶段问答式检索初始化候选姿态，并将自然语言解析为几何伪标签指导可微3DGS相机姿态连续优化。
Category-Level 3D Correspondence in Camera Space via Morphable Object Priors: 针对单视角类别级 3D 对应在相机空间中严重受制于遮挡、视角与尺度歧义的问题，本文提出首个大规模 3D 相机空间评测基准 HouseCorr3D，并提出 Morpheus 框架，通过解耦规范形状先验、实例仿射形变与 6D 位姿，在无显式对应标注监督下自发涌现高质量类别级 3D 对应。
Category-Level Articulated Object Pose Estimation via Pose–Shape Hypothesis Generation and Verification: 针对单视点下严重遮挡与深度噪声引发的铰接物体位姿歧义问题，本文提出生成-验证框架，通过标准化流联合生成内在耦合的位姿-形状假设对，结合部件级观测点云去噪，并利用基底关节锚定与连续符号距离函数（SDF）进行跨空间几何一致性打分剪枝，在真实遮挡场景下显著超越现有单视点与序列跟踪基线。
CSS-BA: Gate Guided Column Space Search for Bundle Adjustment: 针对低视差与近纯旋转场景下舒尔补相机系统极度病态导致经典LM位姿与标定估计失真的难题，CSS-BA在完全保留原始BA目标函数、测量残差与全量参数的前提下，通过几何门控筛选高可靠相机子集并结合列空间搜索（CSS）构建紧凑的Lanczos/Ritz低维更新子空间，实现了无需外加先验的稳健位姿求解。
Cube-Splat: High-Fidelity 360° Gaussian Splatting SLAM via Cubemap Factorization and Adjoint-Consistent Optimization: 针对传统针孔高斯泼溅 SLAM 视场狭窄、漂移严重及非前向视角空洞的问题，Cube-Splat 将 360° 全景帧解耦为共享光心的四面固定姿态虚拟针孔立方体图，通过李代数伴随映射汇聚多面光度梯度联合更新单一相机位姿，实现了大范围室内外场景高精度、无盲区的全景密集 3DGS-SLAM。
Dense Dynamic Scene Reconstruction and Camera Pose Estimation from Multi-View Videos: 本文为「多台自由移动相机同时拍摄同一个动态场景」这一设定提出两阶段优化框架：先用前馈重建模型 VGGT 做宽基线初始化、建立跨相机的统一尺度锚点，再用一张把相机内时序、同刻跨相机、跨相机的历史帧三类约束统一起来的时空连接图做多相机联合 bundle adjustment，最后用宽基线稠密光流做「帧级尺度对齐 + 位姿与逐像素深度交替精修」，在合成与自采真实数据上的位姿精度、场景一致性和显存占用同时优于 COLMAP/GLOMAP 与 VGGT/Fast3R/FastVGGT/CUT3R，并发布了带动捕真值的 MultiCamRobolab 数据集。
Detect by Track: Making Detector-Free Matcher Trackable: 针对无检测器特征匹配器隐式关键点选取导致多视角轨迹断裂的核心痛点，本文提出 Detect-by-Tracking (DeT) 机制，通过伪轨迹与双线性采样操控局部相似度矩阵，使无检测器匹配器在无需重新训练的前提下直接输出亚像素级连续轨迹。
FILT3R: Latent State Adaptive Kalman Filter for Streaming 3D Reconstruction: FILT3R 把流式重建模型的递归状态更新重写成 token 空间里的状态估计问题——用 EMA 归一化的时序漂移在线估计过程噪声、把量测噪声固定成一个标量，让每个 token 的增益在场景平稳时随置信累积自动收缩、在真实场景变化时升高，从而在冻结骨干、完全免训练的前提下显著缓解长序列上的漂移与灾难性遗忘。
Fisheye3R: Adapting Unified 3D Feed-Forward Foundation Models to Fisheye Lenses: Fisheye3R 用可学习校准 token 和按相机类型控制的注意力掩码，让冻结的统一前馈 3D 模型直接处理鱼眼及混合相机图像；仅用无标注透视图像适应，MapAnything 在 ScanNet++ 鱼眼测试上的位姿 AUC 就从 0.519 提升到 0.766。
Flow4R: Unifying 4D Reconstruction and Tracking with Scene Flow: Flow4R 用共享双视图 Transformer 预测局部几何与跨帧点位置，再通过可学习权重的几何求解分离相机运动和物体运动，在无需全局后优化的条件下统一 4D 重建与跟踪，并在 Point Odyssey 上取得 71.1 的全点跟踪 APD 和 81.00 的重建 APD。
FUSE: A Flow-based Mapping Between Shapes: 把每个形状表示成一条从共享单位高斯锚点出发的可逆连续流（用流匹配训练），源形状的逆流与目标形状的正流一复合就得到两形状之间的点映射——既不训练配对模型也不做测试时优化，还能在网格、点云、SDF 与四面体网格之间跨表示匹配，在 FAUST/SMAL 等地标监督基准上达到最低或接近最低的对应误差。
G2FM: A Geodesic Flow Matching Framework with Geometric Prior for Category-Level 9-DoF Pose Estimation: 针对扩散模型在类别级 9-DoF 姿态估计中推理缓慢且欧氏插值破坏旋转正交性的难题，本文提出了基于连续测地流匹配的 G2FM 框架，通过在 \(SO(3) \times \mathbb{R}^3 \times \mathbb{R}^3\) 乘积流形上沿测地线传输旋转并引入免重训倒角距离切空间几何引导，仅需 3 步 ODE 求解即可达到 31.5 FPS 的实时高精度姿态估计。
GenSP: Consistent Spherical Parameterization via Learning Shape Generative Models: GenSP 提出用数据驱动的方法学习一个神经生成模型，将单位球面连续变形到任意 genus-0 形状，从而通过逆映射获得跨形状一致且低几何畸变的球面参数化，在 ShapeNet 上比现有方法提升 14× 以上等距畸变、3.6× 以上一致性。
Graph-GSReg: Leveraging 3D Scene Graphs for Gaussian Splatting Registration: 将 3D 高斯泼溅场景升维构建为融合几何与语义属性的 3D 场景图，利用 TRIMs 距离一致性约束与最大团搜索求解刚体配准，并通过自监督测试时优化消除拼接伪影与空洞，实现免预训练的高质量大场景无缝融合。
GraphCPD: Coherent Point Drift for Point Cloud Registration via Graph Signal Processing: GraphCPD 将图信号处理（GSP）引入相干点漂移（CPD）概率配准框架，通过高通滤波提取具有刚体变换不变性的高频几何分量构建 9 维图信号，以局部图拉普拉斯替代传统高斯混合模型（GMM）的各向同性协方差，并借助高频几何特征构建匹配先验，在大规模点云与高噪声、部分重叠场景下兼顾了极高的配准精度与运行效率。
Gravity-aware partially calibrated absolute pose estimation from affine- or rotation-covariant features: 针对未知焦距相机的绝对位姿估计（PnPf），本文结合 IMU 重力先验与局部特征的几何属性（仿射或旋转协变），推导全新多项式几何约束并构建出单仿射对应求解器 UP1PfAC 与双旋转协变特征求解器 UP2PfORI，将最小样本需求骤降至 1 或 2 个特征，在保持解析求解高效性的同时大幅提升 RANSAC 鲁棒定位速度与焦距恢复精度。
GRF-Recon: Global Ray-Field Optimization for Long-Sequence Feed-forward Reconstruction: GRF-Recon 针对免标定单目长视频三维重建中累积漂移严重和显存爆炸的痛点，结合重归一化 LoRA 几何先验蒸馏与混合权重稀疏光线场全局因子图联合优化，在 24GB 消费级显卡上实现了公里级大场景低漂移、全局一致的高保真重建。
Hyper-Network Neural Functional Maps for Unsupervised Robust 3D Shape Matching: 针对非刚性 3D 形状匹配中拓扑噪声与局部缺失导致截断谱基无法被线性变换对齐的核心瓶颈，本文提出首个无监督非线性神经泛函映射（NFM）框架，利用 ViT 超网络基于粗糙线性泛函映射动态预测残差 MLP 权重，并设计无监督谱对齐损失进行端到端优化，在多项严苛基准上刷新 SOTA。
InFlux++: Real and Synthetic Data for Estimating Dynamic Camera Intrinsics: 构建包含 1,841 个过程化生成合成视频（44.1 万帧，带薄透镜呼吸效应与真实光学畸变）与 334 个高分辨率真实视频（51.4 万帧，覆盖日常复杂平移运动与大视场反向标定）的动态相机内参综合套件 InFlux++，通过合成数据微调使 SOTA 动态内参估计模型的焦距预测召回率显著提升。
Learning Global Camera Poses from Noisy View-Graphs for Structure from Motion: 提出 VGPA (View-Graph Pose Averaging) 框架，利用置换等变边条件图神经网络直接从含噪视点图聚合两两相对位姿以回归全局相机外参，结合无监督相对位姿一致性目标与解耦的三角化光束法平差，在千张级大场景下以极高吞吐率实现与顶尖经典 SfM 媲美、大幅超越先前深度模型的位姿精度与相机召回率。
LoGeR: Long-Context Geometric Reconstruction with Hybrid Memory: LoGeR 将视频按块重建，用滑窗注意力保留邻块细节、用测试时训练更新的快权重记忆传递全局几何，带前馈位姿对齐的 LoGeR* 在 KITTI 上将平均 ATE 从 TTT3R 的 72.86 m 降至 18.65 m，但超长序列结果包含周期性状态重置。
LoMa: Local Feature Matching Revisited: LoMa 保留 DaD 检测器、DeDoDe 描述子与 LightGlue 匹配器的基本分工，通过扩大训练数据、改进训练配方和匹配器扩容，在新建的 HardMatch 测试集上取得 54.3 mAA@10px，比 ALIKED+LightGlue 高 18.6 点。
LVSPM: Long Sequence View Synthesis and Pose Estimation Model: LVSPM 提出了一种基于大块测试时训练（LaCT）与可学习相机标记的前向序列预测模型，仅依赖 RGB 渲染与相机位姿监督，在无需稠密 3D 点云真值的前提下，实现了支持多达 256 张未标定长序列图像的高精度位姿估计与高质量实时新视角合成。
MAGiSt3R: Multi-Agent Feed-forward 3D Reconstruction from Monocular RGB Videos: MAGiSt3R 用 VGGT 预测局部几何，以共享的 MAGMA 网络完成智能体内部及智能体之间的子图配准，再通过位姿图优化修正漂移，在仅输入未标定 RGB 视频的条件下实现多智能体室内重建，ReplicaMultiagent 多智能体平均重建误差 Acc./Comp. 为 5.37/3.36，双智能体运行速度为 9 FPS。
Manifold-Aware Spectral Compaction: A Graph Signal Processing Perspective on Online Gaussian Reduction for 3DGS SLAM: 本文提出面向在线 3DGS SLAM 的流形感知谱紧凑化框架（MASC），从图信号处理（GSP）与黎曼流形视角将地图压缩重构为连续信号重建问题，结合对称 KL 散度建图、增量 Nyström 谱聚类与保矩 Bures-Wasserstein 质心聚合，在消除约 60% 冗余高斯的同时使 GPU 显存降低至原来的 1/2.8、渲染帧率提升 2.4 倍，并在 TUM 数据集上实现 0.98 cm 的轨迹跟踪精度。
MemPose: Category-level Object Pose Estimation with Memory: MemPose 针对类别级物体位姿估计中静态先验与固定网络参数难以适应实例多样性的瓶颈，提出了显式整合非参数化几何记忆库的增强框架，通过相似度引导的动态更新机制与自适应门控检索融合，在零额外可学习先验权重的开销下显著提升了 9-DoF 位姿预测精度。
OCA: ODE-Driven Cross-Attention for Image-to-Point-Cloud Registration: 本文针对图像到点云（I2P）配准中跨模态差异引起的注意力模糊难题，将交叉注意力建模为连续时序上的分配常微分方程（Assignment ODEs），通过分析动力系统收敛条件提出即插即用、无参数的 OCA 模块，在几乎不增加耗时的情况下显著增强 2D-3D 特征判别力与配准召回率。
OmniX: Any-view and Any-time 4D reconstruction via Feed-forward Trajectory Fields: OmniX 将逐帧几何恢复与跨时刻运动预测解耦，用少量动态 token 生成轨迹变换基，再可变形采样为逐像素轨迹，在自建验证集的单目全帧评测中将前景 APD3D 从 VDPM 的 0.199 提高到 0.300。
OrthoTrack: Continuous 6-DoF UAV Trajectory Estimation Anchored in Public Orthophotos: OrthoTrack 提出一种免训练的无人机6-DoF连续轨迹估计系统，仅利用公开的正射影像（DOP）和地表模型（DSM），通过"关键帧稠密匹配锚定 + 帧间光流传播"的交替策略，在无需GPS、IMU或后处理对齐的条件下，以实时帧率实现亚米级绝对度量位姿估计，并配套发布了大规模多模态基准 MovingDrone。
PixVOD: Pixel-Distributed Direct Visual Odometry and Depth Estimation: 针对近传感器计算范式（Pixel Processor Array），提出首个基于高斯置信度传播（GBP）与局部关键帧锚定的完全像素级分布式直接法视觉里程计与深度估计框架 PixVOD，仅通过局部邻域通信即可实现全局 6DoF 相机运动共识与度量尺度深度恢复。
Point2Pose: Occlusion-Recovering 6D Pose Tracking and 3D Reconstruction for Multiple Unknown Objects Via 2D Point Trackers: Point2Pose 把长程 2D 点跟踪器当作贯穿整段视频的持久数据关联引擎：在物体上撒一组查询点、用深度把它们抬进物体坐标系累积成关键点地图，位姿由「当前观测 ↔ 地图」的配准解出，于是在没有任何 CAD 模型的前提下能同时跟踪多个未知刚体，并在物体被完全遮挡后重新出现时立刻恢复——代价是同数据集上的单物体 ADD 与重建精度略低于 BundleSDF。
PRISM-VO: Scale-Aware Visual Odometry Using Photometric Plenoptic Bundle Adjustment: 针对聚焦全光相机的成像物理特性，PRISM-VO 构建了端到端光度全光光束法平差（Bundle Adjustment）框架，将单帧微透镜视差提供的度量尺度深度先验与滑动窗口多视角时间光度一致性联合优化，无需外部传感器即可实现高精度、抗漂移的尺度可感知视觉里程计。
RayMap3R: Inference-Time RayMap for Dynamic 3D Reconstruction: RayMap3R 发现用 RayMap 训练的流式重建模型在「只喂 RayMap 特征」时会出现静态场景偏置，于是用主分支与 RayMap 分支的逐像素深度差在推理时识别动态区域、并以此门控记忆状态更新，再叠加重置度量对齐与状态感知平滑，在不训练、不引入外部模块的前提下把动态场景下的位姿/深度/重建精度推到流式方法前列。
RegVGGT: Sustainable Visual Geometry Grounding for Streaming via Regulated Memory: 本文提出免训练的流式前馈3D重建Token调控方法 RegVGGT，基于Token初始显著性决定其长期重要性的时序一致性发现，通过首帧全局锚点永久保留、网络层分群解耦、单帧仅接纳至多1%显著Token入库以及兼容FlashAttention的LSE显著性估算，在消费级显卡上实现数千帧流式视频的高精度可持续几何定位与3D重建。
Robust 3DGS-based SLAM via Adaptive Kernel Smoothing: 针对 3D 高斯参数噪声导致光度对齐易陷入尖锐局部极小的问题，本文提出在光栅化阶段引入瞬态自适应核平滑校正（CB-KNN），构建平滑优化曲面并解耦保真度与跟踪鲁棒性，在维持高精度建图的同时将相机轨迹跟踪误差降低 19% 至 35%。
Rolling Shutter Camera Self-Calibration: 首个无需标定板或辅助硬件的卷帘快门相机纯视觉自标定方法，将连续时间B样条轨迹估计与2D像素轨迹校正场估计统一为双重投影光束法平差模型，实现相机内参与行读出时间比率的高精度联合估计。
SA-ResGS: Self-Augmented Residual 3D Gaussian Splatting for Next Best View Selection: 针对主动场景重建中视角选择严重受制于 3DGS 早期不确定性估计偏差与梯度消失问题，SA-ResGS 提出结合单视点外推三角化的自增强点云（SA-Points）进行物理视锥覆盖度粗筛，并设计不确定性引导的残差分支渲染模拟跳跃连接，显著提升主动视角探索效率与少样本下的几何保真度。
SAF3R: Dynamic Sparse Attention for Feed-Forward 3D Reconstruction Transformers: 针对前馈三维重建（F3R）Transformer中跨视角全局注意力二次复杂度的计算瓶颈，SAF3R揭示了注意力头之间高度异质且动态的稀疏行为，通过离线头部画像自适应分配四种专用稀疏算子配合轻量在线动态采样，在免微调前提下将长序列推理最高加速7.3倍并无损重建质量。
Scal3R: Learning Efficient Multi-Relative Pose Query for Scalable Online 3D Reconstruction: 针对前馈在线三维重建模型在长序列中全局位姿外推崩溃的问题，Scal3R 冻结预训练骨干网络并注入约 1% 参数量的多参考相对位姿查询 Token，结合非对称注意力和在线位姿图优化，以单卡 8 小时微调在公里级序列上实现低漂移高保真重建。
SemCityLoc: Aerial 6DoF Localization Using Semantic 3D City Models: SemCityLoc 将无人机空中 6DoF 位姿估计重新定义为「基础模型视觉先验（语义分割 + 单目深度）与标准化语义 3D 城市模型之间的结构化表面配准」问题，通过「4D 语义代价体积粗定位 → 粒子滤波联合语义-深度精对齐」的两阶段管线，在无需稠密辐射重建的前提下，将城市峡谷场景的定位召回率从 35.11% 提升至 69.15%（2m-2度阈值），位置误差从 9.89m 降至 2.62m，并同步发布首个厘米级精度真实无人机定位基准 SemCityLockeD。
SGMatch: Semantic-Guided Non-Rigid Shape Matching with Flow Regularization: SGMatch 把多视角渲染经 DINOv2 编码再反投影到曲面得到的语义特征，用「通道门控 + 网格邻域受限交叉注意力」的方式注入几何描述子，同时把条件流匹配（CFM）改造成顶点级特征输运的时间条件正则项来平滑稠密对应恢复，在强非等距形变（SMAL 测地误差 2.5）与拓扑噪声（TOPKIDS 2.9）基准上取得最好结果。
SHReg: Strictly Rotation-Equivariant Point Cloud Registration via Spherical Harmonics: 针对传统点云配准依赖数据增强或脆弱局部参考系导致的旋转泛化差问题，SHReg 基于 SO(3) 群表示理论与球谐函数构建了严格旋转等变卷积骨干，不仅解耦读出严格旋转不变的判别性几何描述子，还利用等变高阶张量在单个对应点上闭式求解刚体变换假说，在 3DMatch、3DLoMatch 与 KITTI 上全面超越现有 SOTA。
SLAM-Former: Putting SLAM into One Transformer: SLAM-Former 用共享权重的 Transformer 交替执行因果增量建图与全局地图校正，并将校正后的 KV 缓存反馈给前端，在无需相机标定的设置下达到 TUM RGB-D 平均 ATE 0.039 m 和 7-Scenes 重建 Chamfer 0.027 m。
SOCO: Benchmarking Semantic Object Correspondence in Vision Foundation Models: 针对传统语义对应基准混淆局部概念识别与物体空间拓扑位置、缺乏跨类别迁移与文本描述的问题，SOCO 提出了首个基于分层分类体系的语义对应基准，构建了覆盖 100 个类别、逾 100 万对应对的大规模数据集与语言描述，全面揭示了视觉基础模型在对称部件混淆与多模态大模型在跨图视觉匹配上的关键瓶颈。
SpectralSplats: Robust Differentiable Tracking via Spectral Moment Supervision: 把 3DGS 可微跟踪的监督目标从空间域（逐像素光度误差）换成频域（谱矩），配上一套从相位缠绕原理严格推导出来的频率退火调度，让高斯资产即便初始化时和目标完全不重叠也能获得非零的方向梯度、平滑地"流"到正确位姿——从而无需人工对齐或类别先验就能做鲁棒跟踪。
Stable and Scalable Bundle Adjustment of Holistic 3D Structures: 提出统一的高阶几何光束法平差框架，将高阶几何组置于非消元相机块并将约束重构为像素重投影误差，既保留经典舒尔补的块对角稀疏性与极速消元，又实现包含点、线、面及线框的整体3D结构联合优化。
Structure Gaussian Splatting SLAM: 针对传统高斯 SLAM 在弱纹理与重复环境中光度梯度消失导致的位姿漂移与浮块伪影，本文将室内丰富平面显式建模为持久化平面高斯实例（PGI），提出利用非平行平面相对几何估计相机位姿的结构闭环机制与稀疏全局视点锚定优化，在无需轨迹重访的条件下实现了毫米级跟踪精度与高保真稠密重建。
The Dynamic Prior: Understanding 3D Structures for Casual Dynamic Videos: 本文提出无需下游任务特定训练的“动态先验”（Dynamic Prior），通过视觉语言模型（VLM）进行链式思考推理识别视频中的动态物体并由 Sa2VA+SAM2 生成精确运动掩码，将其即插即用集成到相机位姿平差、深度优化与 4D 轨迹估计中，显著提升复杂动态视频的 3D 几何结构理解精度。
TORA: Topological Representation Alignment for 3D Shape Assembly: TORA 在训练一个基于 flow-matching 的 3D 装配模型时，额外让它对齐一个冻结的预训练 3D 编码器的「点与点之间谁像谁」的关系结构（用 CKA 损失匹配 Gram 矩阵），从而把几何交互先验蒸馏进网络，收敛提速最高 6.9 倍、跨域鲁棒性显著提升，且推理时零额外开销。
Towards Geometry-Grounded Dense Semantic Matching with VGGT Priors: 本文把 VGGT 从同实例跨视角重建迁移到跨实例稠密语义匹配，通过直接预测双向采样网格、合成稠密监督和循环一致性训练，同时改善对应精度、局部结构保持与不可见区域的可靠性估计。
Triangle Splatting SLAM: 首个直接将可微三角形汤（Triangle Soup）作为唯一核心地图表征的密集 RGB-D SLAM 系统，通过解析相机位姿雅可比加速追踪、正三角形几何正则化与在线德劳内三角化，实现了超越 3D/2D 高斯泼溅的高保真 3D 几何重建与实时在线网格编辑。
UniPR-3D: Towards Universal Visual Place Recognition with Visual Geometry Grounded Transformer: UniPR-3D 首次将 VGGT 的 3D 几何感知 token 引入视觉位置识别，针对 2D 和 3D token 的不同特性设计定制聚合策略，同时支持单帧和变长序列匹配，在多个基准上超越现有单视图和多视图方法。
UniSim-SLAM: Feed-Forward SLAM with Unified Sim(3) Optimization: UniSim-SLAM 针对几何基础模型前馈 SLAM 中双视角低延迟与多视角高几何约束的内在权衡，提出在统一的 Sim(3) 多级因子图上协同优化全局关键帧位姿与多视角子图位姿，在非标定设置下将 TUM RGB-D 与 7-Scenes 的轨迹误差分别降低 38.5% 与 45.9%。
VGGT-World: Transforming VGGT into an Autoregressive Geometry World Model: VGGT-World 将冻结 VGGT 的中间几何特征作为世界状态，用干净目标预测和两阶段流强制课程学习未来状态，再由原有几何头联合解码，在 KITTI 短期深度预测上达到 0.065 AbsRel，同时完全绕过未来 RGB 生成。
VIGS-SLAM: Visual Inertial Gaussian Splatting SLAM: VIGS-SLAM 将稠密视觉对应与 IMU 约束放入同一次联合优化，用分阶段初始化稳定启动、用回环变换同步修正高斯地图，在 EuRoC 上取得 2.79 cm 平均 ATE RMSE，并改善困难场景的新视角渲染。
VOCA: Visual Odometry with Codec Awareness: VOCA利用H.264视频编码过程中内置的运动矢量作为KLT光流跟踪的初始化先验，在Basalt框架上实现了对百倍压缩视频的高精度因果视觉里程计，在EuRoC、TUM-VI和MSD三个数据集上全面超越了现有方法。
What VGGT Knows About Overlap: Probing Geometric Foundation Models for Co-Visibility: 通过冻结几何基础模型 VGGT 并接入一个约 7.5M 参数的轻量级分层混合专家（MoE）头，Co-VGGT 仅凭 RGB 图像即可实现超越人类基准的高精度共视性预测，在 Co-VisiON 基准上将成对预测 IoU 较此前 SOTA 提升逾 25%，并揭示出第 17 层专职剔除非共视像对的“负锚点”涌现机制。
BLASt3R: Bundle Adjustment of Any Image Set with Multi-View Matching and Monocular Depth Priors: BLASt3R 提出了一种融合流式多视图特征匹配与可调单目深度先验的混合 3D 重建系统，在统一的 GPU 深度正则化光束法平差框架下无缝支持大规模无序离线 SfM 与在线实时 VSLAM，无需相机内参即可大幅超越现有校准与未校准基线。
EPO: Boosting 3D Foundation Models with Edge-based Pose Optimization: 提出EPO，一种无需显式特征track的几何优化框架，利用Canny边缘图和距离变换场构造可微的边缘重投影损失，通过两阶段自适应优化精化3D基础模型输出的相机参数和深度，在消费级GPU上以秒级运行时间达到甚至超越传统BA方法的几何精度。
SEAR: Simple and Efficient Adaptation of Visual Geometric Transformers for RGB+Thermal 3D Reconstruction: 针对基于前馈视觉几何 Transformer（如 VGGT）在联合处理 RGB 与热红外时产生断裂、尺度失配的问题，SEAR 提出了一种仅需更新少于 5% 参数的轻量微调策略，通过模态专用相机 Token、交替注意力层 LoRA 适配与非配对非对称批次训练，以近乎零的推理开销实现了 SOTA 级的统一 RGB-T 3D 重建与相机位姿估计。
VideoSfM: Exploiting Temporal Structure for Video-Based Structure-from-Motion: VidMap（VideoSfM）结合 SLAM 的时序约束与全局 SfM 的非因果全局优化，通过视频感知的稠密特征轨迹追踪、时序与回环观测的溯源分离、以及注入单目度量深度先验的全局定位与平差，实现了对长时非受控未知内参视频高精度、抗漂移的度量级三维重建。
Wat3R: Underwater 3D Geometry Learning without Underwater Annotations: Wat3R 是首个面向水下复杂环境的前馈式 3D 几何估计半监督框架，通过物理渲染合成水下数据与大规模无标注真实水下视频的协同训练，结合前景静态掩膜引导的跨视角几何一致性损失，在完全不依赖真实水下 3D 标注的前提下实现了高精度的前馈多视角深度、位姿与点云重建。