🧊 几何匹配与定位¶

🔬 ICLR2026 · 12 篇论文解读

📌 同领域跨会议浏览： 🧠 NeurIPS2026 (4) · 🎞️ ECCV2026 (77) · 📷 CVPR2026 (100) · 🧪 ICML2026 (2) · 🤖 AAAI2026 (1) · 🧠 NeurIPS2025 (6)

🔥 高频主题： 3D 高斯渲染 ×2 · SLAM ×2 · 对抗鲁棒 ×2

A Scene is Worth a Thousand Features: Feed-Forward Camera Localization from a Collection of Image Features: FastForward 把"建图"压缩成一次特征提取：用一组从带位姿建图图像中随机采样、并锚定在 3D 空间的特征当作场景地图，再用一个 DUSt3R 风格的前馈网络一次性预测查询图像的 3D 坐标并解算位姿，做到几秒建图 + 0.5 秒定位的同时，精度追平甚至超越需要几分钟到几小时建图的 SCR / 结构化方法。
Flash-Mono: Feed-Forward Accelerated Gaussian Splatting Monocular SLAM: 用一个循环前馈模型直接预测每帧相机位姿和像素对齐的 2D 高斯面元，把单目 GS-SLAM 从"每帧从零训练高斯"换成"预测+轻量精修"，在保证 SOTA 渲染与跟踪质量的同时实现约 10 倍提速。
Open-Set Semantic Gaussian Splatting SLAM with Expandable Representation: 本文给 3DGS-SLAM 接上一个可动态扩容的语义特征池，让每个 3D 高斯只存一个低维索引键、按需从共享池里软聚合出语义，从而以极小内存在线重建带开放词表语义的三维场景，并用一致性目标 + 语义稳定引导解决跨视图语义不一致，在 Replica 与手机实拍场景上同时提升渲染、轨迹与分割质量。
PAGE-4D: VGGT-4D Perception via Disentangled Pose and Geometry Estimation: PAGE-4D 给前馈式 3D 基础模型 VGGT 接上一个「动态感知聚合器」，用一张自监督学出来的动态掩码把运动信息按任务拆开——估位姿时压制它、重几何时放大它——只微调中间 10 层就让 VGGT 在动态场景的位姿、深度和点云重建上全面超过原版。
\(\pi^3\): Permutation-Equivariant Visual Geometry Learning: \(\pi^3\) 提出一个完全置换等变的前馈网络，彻底丢掉「固定参考视角」这个延续自传统 SfM 的归纳偏置，改为预测每帧自己坐标系下的「仿射不变相机位姿 + 尺度不变局部点图」，从而对输入顺序天然鲁棒，并在相机位姿、单目/视频深度、稠密点图等多个任务上刷新 SOTA，同时跑到 57.4 FPS。
PointRePar: SpatioTemporal Point Relation Parsing for Robust Category-Unified 3D Tracking: PointRePar 是一个"类别统一"的 3D 单目标跟踪器：用 Mamba 搭建的 U 型空间关系解析骨干 + 动态特征聚合学到更可分的形状特征，再用点级 / 框级双层时序解析捕捉运动，配合稀疏自适应的高斯扰动训练，使得一个模型联合训练所有类别就能超过此前的类别统一方法 CUTrack，并与逐类别训练的 SOTA 掰手腕。
RayI2P: Learning Rays for Image-to-Point Cloud Registration: 本文把图像-点云配准从"建立 2D-3D 对应点"改写成"为每个图像 patch 预测一束 3D 射线"，再用一个可微的射线引导回归模块直接估计相机 6-DoF 位姿，从根上绕开了投影歧义与尺度不一致，在 KITTI / nuScenes 上刷新了配准精度。
RobustSpring: Benchmarking Robustness to Image Corruptions for Optical Flow, Scene Flow and Stereo: 本文提出 RobustSpring——首个面向光流 / 场景流 / 立体匹配（稠密匹配）的图像损坏鲁棒性基准，把 20 种损坏以时间 / 双目 / 深度一致的方式注入高分辨率 Spring 数据集，配上一个基于 Lipschitz 连续性、与精度解耦的损坏鲁棒性指标，对 17 个模型做了首轮评测，揭示出"精度高 ≠ 鲁棒"的隐藏短板。
Special Unitary Parameterized Estimators of Rotation: 本文用特殊酉矩阵 \(SU(2)\) 重新推导经典 Wahba 旋转估计问题，得到线性四元数约束、两点闭式解和两个面向神经网络的连续旋转表示，其中 2-vec 在同维度下通常优于 Gram-Schmidt，QuadMobius 在多个旋转学习任务上达到或接近最优结果。
STream3R: Scalable Sequential 3D Reconstruction with Causal Transformer: STREAM3R 把稠密 3D 重建重新表述成「decoder-only Transformer 的逐帧因果注意力」问题——每来一张新图就让它对历史帧缓存做因果 cross-attention 并回归点图，从而像 LLM 一样用 KVCache / 滑窗注意力做在线增量重建，在静态和动态场景的深度估计与 3D 重建上都优于或持平现有流式方法，且推理更快。
UnLoc: Leveraging Depth Uncertainties for Floorplan Localization: UnLoc 把单目预测的"楼层图深度"显式建模成带不确定性的 Laplace 分布，再用现成的预训练单目深度模型（Depth Anything v2）替换掉逐场景训练的专用深度网络，在序列视觉楼层图定位上对 SOTA（F3Loc）实现大幅提升——在真实数据集 LaMAR HGE 的 15 帧短序列上召回率提升 42.2 倍。
WAFT: Warping-Alone Field Transforms for Optical Flow: WAFT 用高分辨率的特征 warping 彻底替换掉光流方法里被奉为标配的代价体（cost volume），靠一个 DPT/ViT 的迭代更新模块隐式处理大位移，在 Spring、Sintel、KITTI 上拿下第一档精度的同时显存只用同类方法的 1/3、速度快 1.3–4.1 倍。