ICCV2025 3D 表示与场景理解论文解读论文笔记点云 3D 目标检测语义分割布局/合成

🧊 3D 表示与场景理解¶

📹 ICCV2025 · 38 篇论文解读

📌 同领域跨会议浏览： 🧠 NeurIPS2026 (8) · 🎞️ ECCV2026 (57) · 📷 CVPR2026 (100) · 🔬 ICLR2026 (21) · 🧪 ICML2026 (4) · 🤖 AAAI2026 (16)

🔥 高频主题： 点云 ×6 · 3D 目标检测 ×3 · 语义分割 ×3 · 布局/合成 ×3

3D Test-time Adaptation via Graph Spectral Driven Point Shift: 提出GSDTTA，首次将3D点云的测试时适应从空间域转移到图谱域，通过仅优化最低10%频率分量（减少约90%参数）实现全局结构调整，并结合特征图引导的自训练策略生成伪标签，在ModelNet40-C和ScanObjectNN-C上显著超越现有3D TTA方法。
3DGraphLLM: Combining Semantic Graphs and Large Language Models for 3D Scene Understanding: 本文提出3DGraphLLM，将3D场景中物体间的语义关系编码为可学习的图表示并输入LLM，在object grounding、场景描述和视觉问答等多个3D视觉-语言任务上显著超越不使用语义关系的基线方法，同时推理速度比LVLM方法快5倍。
Accelerate 3D Object Detection Models via Zero-Shot Attention Key Pruning: 提出 tgGBC（trim keys gradually Guided By Classification scores），一种零样本运行时剪枝方法，利用分类分数与注意力图的乘积计算键重要性，逐层剪除不重要的键，在多个3D检测器上实现Transformer解码器近2×加速且性能损失<1%。
Articulate3D: Holistic Understanding of 3D Scenes as Universal Scene Description: 本文提出Articulate3D——首个大规模真实世界室内场景铰接标注数据集（280个高质量扫描），以及USDNet统一框架，能从3D点云同时预测可移动/可交互部件分割和运动参数，为具身AI的物理仿真提供了simulation-ready的场景数据。
Boosting Multi-View Indoor 3D Object Detection via Adaptive 3D Volume Construction: SGCDet通过几何与上下文感知的聚合模块（3D可变形注意力+多视角注意力融合）和基于占据概率的稀疏体素构建策略，在无需ground-truth几何监督的情况下，实现了多视角室内3D目标检测的SOTA性能，同时大幅降低计算开销。
Bridging 3D Anomaly Localization and Repair via High-Quality Continuous Geometric Representation: 提出 PASDF 框架，通过姿态感知的签名距离函数（SDF）实现连续几何表征，统一了3D异常检测与修复任务，在 Real3D-AD 和 Anomaly-ShapeNet 上取得 SOTA。
CF³: Compact and Fast 3D Feature Fields: 提出 CF³ 管线，通过 top-down 特征提升、per-Gaussian 自编码器压缩和自适应稀疏化，仅使用原始 Gaussian 数量的 5% 即可构建紧凑高速的 3D 特征场，实现 121–245× 的存储压缩和实时渲染。
CstNet: Constraint-Aware Feature Learning for Parametric Point Cloud: 提出首个面向参数化点云的约束感知特征学习方法 CstNet，将 CAD 约束编码为点级别的 MAD-Adj-PT 三元组表示，通过两阶段网络（约束获取 + 约束特征学习）在自建的 Param20K 数据集上实现分类精度 +3.49%、旋转鲁棒性 +26.17% 的 SOTA 提升。
Describe, Adapt and Combine: Empowering CLIP Encoders for Open-set 3D Object Retrieval: 提出 DAC 框架，通过 "描述-适配-组合" 三步策略协同 CLIP 与多模态大语言模型 (MLLM)，仅使用多视图图像即可在开放集 3D 物体检索任务上大幅超越此前使用全模态（点云+体素+图像）的 SOTA 方法，平均 mAP 提升超过 +10%。
Disentangling Instance and Scene Contexts for 3D Semantic Scene Completion: 提出 DISC，一种基于类别感知的双流架构用于 3D 语义场景补全，通过将实例类别和场景类别解耦到独立的查询流中并设计针对性的解码模块，在 SemanticKITTI 上仅用单帧输入即超越多帧 SOTA 方法，实例类别 mIoU 提升 17.9%。
Easy3D: A Simple Yet Effective Method for 3D Interactive Segmentation: 提出 Easy3D，一种简洁高效的 3D 交互式实例分割方法，结合体素稀疏编码器、轻量 Transformer 解码器和隐式点击融合策略，在域内和域外数据集上一致性地超越 SOTA，并首次将学习的负嵌入 (learned negative embedding) 成功应用于隐式点击融合。
Efficient Spiking Point Mamba for Point Cloud Analysis: SPM（Spiking Point Mamba）提出首个基于 Mamba 的 3D 脉冲神经网络框架，通过层次化动态编码（HDE）和脉冲 Mamba 模块（SMB），在大幅降低能耗（3.5× 以上）的同时，在 ScanObjectNN 上比前 SOTA SNN 方法提升 6-7% 的准确率。
Find Any Part in 3D: 提出Find3D，构建了一个由2D基础模型（SAM + Gemini）驱动的自动化3D数据标注引擎，生成210万个部件标注，训练出首个同时具备开放世界、跨类别、部件级和前馈推理能力的3D分割模型，零样本mIoU提升260%，推理速度比现有方法快6-300倍。
FROSS: Faster-than-Real-Time Online 3D Semantic Scene Graph Generation from RGB-D Images: 提出FROSS方法，通过将2D场景图直接提升到3D空间并用高斯分布表示物体，实现了超实时（144 FPS）的在线3D语义场景图生成，无需精确点云重建。
Geometry Distributions: 提出Geometry Distributions (GeomDist)，将3D几何建模为表面点的概率分布并用扩散模型学习，无需假设亏格、连通性或边界条件，可从高斯噪声采样无限多表面点来表示任意拓扑的几何。
GeoProg3D: Compositional Visual Reasoning for City-Scale 3D Language Fields: 提出 GeoProg3D，首个支持城市级高保真3D场景自然语言交互的视觉编程框架，通过地理感知的城市级3D语言场（GCLF）和地理视觉API（GV-APIs），结合LLM推理引擎实现组合式地理空间推理，在新提出的952条查询的GeoEval3D基准上全面超越现有3D语言场和VLM方法。
Global-Aware Monocular Semantic Scene Completion with State Space Models: 提出GA-MonoSSC，一种结合Transformer（2D全局上下文）和Mamba（3D长程依赖）的混合架构用于室内单目语义场景补全，创新引入Frustum Mamba Layer解决体素序列化中的特征不连续性问题，在Occ-ScanNet和NYUv2上达到SOTA。
InstaScene: Towards Complete 3D Instance Decomposition and Reconstruction from Cluttered Scenes: InstaScene 提出统一的杂乱场景实例分解与完整重建框架，通过追踪高斯光栅化构建空间对比学习实现精准实例分割，并设计 in-situ 生成管线利用已知观测和几何线索引导 3D 生成模型重建完整物体。
χ: Symmetry Understanding of 3D Shapes via Chirality Disentanglement: 提出无监督手性特征提取管线,从2D基础模型特征中蒸馏左右手性信息用于装饰3D形状顶点描述子,有效解决形状分析中的左右歧义问题。
Learning 3D Object Spatial Relationships from Pre-trained 2D Diffusion Models: 提出从预训练 2D 扩散模型合成图像中学习物体间 3D 空间关系（OOR），通过 3D 提升管线构建配对数据集，训练文本条件化的 score-based 扩散模型对物体对的相对位姿和尺度分布建模，并扩展至多物体场景布局和场景编辑。
LLaVA-3D: A Simple yet Effective Pathway to Empowering LMMs with 3D Capabilities: 本文提出 LLaVA-3D，通过将 3D 位置嵌入注入 2D CLIP patch 特征构建"3D Patch"，以最小改动将 2D LMM（LLaVA-Video）扩展为统一的 2D/3D 理解模型，训练收敛速度比现有 3D LMM 快 3.5 倍，在多个 3D 基准上达到 SOTA 且保持 2D 能力不下降。
Monocular Semantic Scene Completion via Masked Recurrent Networks: 提出 MonoMRN，一个两阶段单目语义场景补全框架：先做粗粒度预测，再用 Masked Sparse GRU（MS-GRU）循环精炼被遮挡区域，并引入距离注意力投影减少深度投影误差，在 NYUv2 和 SemanticKITTI 上均达到 SOTA。
Open-Vocabulary Octree-Graph for 3D Scene Understanding: 提出 Octree-Graph，一种将自适应八叉树与图结构结合的新颖场景表示，通过时序分组式段合并(CGSM)和实例特征聚合(IFA)获取准确的语义对象，实现高效的开放词汇3D场景理解。
PanSt3R: Multi-view Consistent Panoptic Segmentation: 基于MUSt3R构建PanSt3R，在单次前向传播中同时完成3D重建和多视角全景分割，无需相机参数、无需测试时优化，比现有方法快数个量级。
PlaceIt3D: Language-Guided Object Placement in Real 3D Scenes: 提出语言引导的真实3D场景中物体放置任务（PlaceIt3D），包含基准测试、大规模数据集和基于3D LLM的基线方法PlaceWizard，实现对场景、物体和语言指令的联合推理。
Predict-Optimize-Distill: A Self-Improving Cycle for 4D Object Understanding: 提出 Predict-Optimize-Distill (POD) 框架，通过预测-优化-蒸馏的自改进循环，从单目长视频中恢复铰接物体的4D部件姿态，性能随视频长度和迭代次数持续提升。
Revisiting Point Cloud Completion: Are We Ready For The Real-World?: 通过代数拓扑和持久同调（PH）工具揭示现有合成点云数据集缺乏真实世界中丰富的拓扑特征，贡献了首个真实世界工业点云补全数据集RealPC（~40,000对、21类），并提出BOSHNet通过采样代理同调骨架作为拓扑先验，在真实世界点云补全上取得显著改进。
Ross3D: Reconstructive Visual Instruction Tuning with 3D-Awareness: Ross3D 提出将3D感知的视觉重建预训练任务（跨视图重建 + 全局BEV重建）注入2D大型多模态模型的训练流程中，在不修改输入表示的前提下通过输出级监督信号显著提升3D场景理解能力，在SQA3D、ScanQA、Scan2Cap、ScanRefer、Multi3DRefer五个基准上均达到SOTA。
SAS: Segment Any 3D Scene with Integrated 2D Priors: 提出 SAS 框架，首次整合多个 2D 开放词汇模型的互补能力来学习更好的 3D 表示：通过 Model Alignment via Text 对齐不同模型的特征空间，通过 Annotation-Free Model Capability Construction 利用扩散模型合成图像来量化各模型识别不同类别的能力，以此指导多模型特征融合和 3D 蒸馏，在 ScanNet v2/Matterport3D/nuScenes 上大幅超越前作。
SiM3D: Single-Instance Multiview Multimodal and Multisetup 3D Anomaly Detection Benchmark: 提出 SiM3D，首个面向多视角多模态3D异常检测与分割的基准，聚焦工业制造中的单实例场景，通过工业级传感器采集高分辨率数据，使用体素化异常体积(Anomaly Volume)替代2D异常图，并首次支持合成到真实的跨域评估。
SpatialSplat: Efficient Semantic 3D from Sparse Unposed Images: 提出SpatialSplat,通过双场语义表示和选择性Gaussian机制,从稀疏无位姿图像前馈生成紧凑的语义3D Gaussian,将表示参数量减少60%同时超越SOTA方法。
StruMamba3D: Exploring Structural Mamba for Self-supervised Point Cloud Representation Learning: 提出 StruMamba3D，通过为 SSM 的隐含状态赋予空间位置属性（空间状态）来维护 3D 点的邻接关系，并引入序列长度自适应策略解决预训练与下游任务之间的序列长度差异问题，在 ScanObjectNN 最难分割上达到 92.75% 准确率，ModelNet40 达到 95.1%，均为单模态 SOTA。
SuperDec: 3D Scene Decomposition with Superquadric Primitives: 提出SuperDec,基于Transformer的学习方法将点云分解为紧凑的超二次曲面基元集合,在ShapeNet上训练即可泛化到真实场景,支持机器人操作和可控生成。
Trace3D: Consistent Segmentation Lifting via Gaussian Instance Tracing: 提出Gaussian Instance Tracing (GIT)机制，通过反向光栅化为每个高斯核维护跨视角的实例权重矩阵，统一解决2D分割多视角不一致和边界高斯模糊两大问题，在离线对比学习和在线自提示两种设定下均显著提升3D分割质量。
Unified Category-Level Object Detection and Pose Estimation from RGB Images using 3D Prototypes: 首次提出将物体检测与类别级位姿估计统一到单一模型的 RGB-only 框架，利用 Neural Mesh Models 作为3D原型表示，通过特征匹配和多模型 RANSAC PnP 同时实现检测和 9D 位姿估计，在 REAL275 上所有 scale-agnostic 指标均超越 SOTA。
UPP: Unified Point-Level Prompting for Robust Point Cloud Analysis: 提出统一点级提示方法UPP，将点云去噪和补全重新定义为下游任务的提示机制，通过Rectification Prompter过滤噪声、Completion Prompter补全缺失、Shape-Aware Unit捕获几何特征，在噪声和不完整点云上以6.3%参数实现超越全量微调的鲁棒分析。
UST-SSM: Unified Spatio-Temporal State Space Models for Point Cloud Video Modeling: 提出UST-SSM，通过时空选择扫描(STSS)、时空结构聚合(STSA)和时序交互采样(TIS)三个核心模块，将选择性状态空间模型扩展到点云视频分析，以线性复杂度实现优于Transformer的性能。
WildSeg3D: Segment Any 3D Objects in the Wild from 2D Images: 提出 WildSeg3D，首个前馈式3D分割模型，无需场景特定训练，通过动态全局对齐(DGA)解决多视角点图对齐误差，结合多视角组映射(MGM)实现实时交互式3D分割，比现有SOTA快40倍且精度更优。