一、趋势

① 简单介绍

CVPR2026 的 3D 视觉方向共收录并解读 156 篇论文，覆盖从底层几何表示、重建渲染，到生成式 3D、场景理解、SLAM 与机器人具身的完整技术栈。它不是独立小方向，而是连接「感知—重建—生成—理解—行动」的中枢，也是大模型化、实时化浪潮中最先被「重做一遍」的视觉子领域。

② 方法范式趋势：三化合一

本届最显著的特征是方法底座的高度收敛与叠加：3D 高斯泼溅（3DGS）作为可微辐射场，已成为横跨 15/18 类、71 次出场的统一几何引擎；与此同时，Transformer / 自回归大模型（Decoder-only 系列合计横跨 14 类）把「3D 当作序列/语言」推向主流；而以 VGGT/π³ 为代表的前馈式重建则用一次推理替代逐场景优化。三股力量叠加，而非互相替代。

③ 问题 frontier：从标准场景走向难场景

当室内/物体等标准场景被基本攻克，研究算力正集体转向过去「做不好」的真实边缘：事件/脉冲相机、第一人称与全年龄段人体、铰接物体、反光/透明/弱纹理材质（22TB 级数据集）、形变与零样本/类别无关。生成式方向则首次系统引入 RL / 偏好对齐（如 Hi-GRPO）来对齐人类审美与物理合理性。

二、方法

下表按「论文覆盖度」统计各方法家族——即 156 篇中至少使用一次该家族技术的论文数量与占比（一篇可同时归属多个家族）：

方法家族	涉及论文	占比	简单介绍
3D 高斯泼溅 / 辐射场	75	48.1%	用可微高斯/辐射场作为统一几何与外观表示，覆盖重建、渲染、SLAM、动态与生成。
Transformer / 自回归大模型	29	18.6%	把 3D 当序列/语言：前馈重建、3D token、自回归生成与 3D-LLM 全面上位。
扩散生成	8	5.1%	文/图/动作生 3D/4D，强调可控、拓扑一致，并引入 RL/偏好对齐优化审美。
前馈几何重建	11	7.1%	单次前向推理直接输出深度、点云、相机与轨迹，取代逐场景优化。
经典几何 / 优化	21	13.5%	代价体、运动恢复结构与刚体群仍是鲁棒性的基石，与可微渲染深度融合。
异质传感 / 高效架构	11	7.1%	脉冲/事件相机、线性复杂度架构把 3D 推向高速、暗光、边缘等极限工况。

读表要点：3DGS （48.1%）成为绝对底座；Transformer/自回归大模型紧随其后，标志 3D 进入「大模型化」；经典几何（代价体/SfM/SE(3)）仍被 21 篇复用，说明可微渲染并未取代几何，而是与之融合；扩散生成与前馈几何是两条上升的新主线。

三、主题（分类、应用场景与每类一篇论文精读）

论文可归为 18 个细类，并可进一步聚为 6 大宏观主题群。每个细类给出简述 / 意义 / 代表。

A 组 · 表征与重建底座

1. 3D 高斯泼溅：重建、渲染与表征

简述：围绕 3D Gaussian Splatting（3DGS）的渲染质量、分辨率、存储与表面重建做工程与算法改进。

意义：3DGS 已成为实时辐射场重建的事实标准，本类聚焦如何让它更省显存、任意分辨率无锯齿、支持表面提取与跨实例配准，是大量下游任务的底层引擎。

代表：3D Gaussian Splatting at Arbitrary Resolutions with Compact Proxy Anchors

2. 3D 高斯泼溅：SLAM 与定位

简述：把 3DGS 作为地图表示接入 SLAM / 视觉定位，处理曝光变化、位姿不准与实时性。

意义：将可微辐射场与定位紧耦合，是替代传统特征点地图的新一代稠密 SLAM 路线，直接影响机器人导航与 AR。

代表：AERGS-SLAM: Auto-Exposure-Robust Stereo 3D Gaussian Splatting SLAM

3. 网格与表面重建

简述：从图像/点云恢复显式网格、CAD(B-rep)、UDF 表面与连续切片。

意义：显式表面是制造、仿真与编辑的刚需，关注拓扑自适应、薄结构与可微表示。

代表：BRepGaussian: CAD Reconstruction from Multi-View Images with Gaussian Splatting

4. 新视角合成与视角编辑

简述：给定少量视图生成任意新视角，或做可控的视角/立体/风格编辑。

意义：新视角合成是 3D 内容生产与影视/VR 的基础能力，强调外推、可控性与跨视角一致性。

代表：Beyond Geometry: Artistic Disparity Synthesis for Immersive 2D-to-3D

B 组 · 动态与 4D 世界

1. 动态 / 4D 场景重建

简述：从单目/多目/无人机视频重建带时间的 3D 场景，处理运动分解、遮挡补全与物理一致性。

意义：4D 重建是数字孪生、具身智能与视频生成的交汇点，关注如何得到几何完整、时间连贯、可编辑的动态世界模型。

代表：4D Primitive-Mâché: Glueing Primitives for Persistent 4D Scene Reconstruction

2. 立体匹配、事件与脉冲视觉

简述：事件相机 / 脉冲相机的立体匹配、深度与场景重建，以及非对称双目装置。

意义：事件/脉冲相机提供微秒级、高动态范围感知，是高速、暗光与无帧率场景的刚需，技术栈与传统 RGB 差异大。

代表：ARES: Unifying Asymmetric RGB-Event Stereo for Probabilistic Scene Flow Estimation

3. 深度估计（单目 / 立体 / 全景 / 事件）

简述：从单张图、立体对、全景或事件流恢复度量或相对深度。

意义：深度是几乎所有 3D 任务的底层几何信号，本类覆盖从极稀疏 dToF 补全到全景基础模型的多模态方案。

代表：AIMDepth: Asymmetric Image-Event Mamba for Monocular Depth Estimation

C 组 · 前馈几何与感知

1. 多视图几何与前馈重建

简述：用前馈网络（如 VGGT/π³ 系）一次推理直接输出深度、点云、相机与轨迹。

意义：前馈式重建把传统逐场景优化变成通用模型推理，是实时 SLAM、视频 3D 理解与具身感知的新范式。

代表：AMB3R: Accurate Feed-forward Metric-scale 3D Reconstruction with Backend

2. 点云处理（配准 / 分析 / 压缩）

简述：点云的配准、域自适应、分类分割与几何压缩。

意义：点云是激光雷达与扫描仪的直接输出，是自动驾驶、机器人抓取与三维理解的核心数据格式。

代表：AnyPcc: Compressing Any Point Cloud with a Single Universal Model

3. 6D 物体位姿估计

简述：估计物体在三維空间中的 6 自由度位姿（旋转+平移），含类别级、零样本与形变情形。

意义：6D 位姿是机器人抓取与 AR 放置的前提，趋势是从 CAD 依赖走向零样本、开放类别与抗形变。

代表：AlignPose: Generalizable 6D Pose Estimation via Multi-view Feature-metric Alignment

4. SLAM 与视觉定位（非 3DGS）

简述：特征/坐标回归式的视觉定位、SLAM 与视角选择。

意义：定位是移动智能体的空间锚，关注大规模、动态、暗光与边缘设备的鲁棒性。

代表：AsymLoc: Towards Asymmetric Feature Matching for Efficient Visual Localization

D 组 · 生成式 3D / 4D

1. 3D 生成（文 / 图生 3D）

简述：从文本、图像或视频生成 3D 资产、动画与场景，含偏好对齐与编辑。

意义：生成式 3D 是内容工业化的核心，关注如何得到拓扑一致、可编辑、且符合人类审美偏好的资产。

代表：Are We Ready for RL in Text-to-3D Generation? A Progressive Investigation

2. 铰接物体重建与生成

简述：椅子、剪刀等含关节的可动物体的重建、位姿与生成。

意义：铰接物体是室内场景的主体，其部件级运动建模对仿真、机器人与生成式 3D 资产至关重要。

代表：ART: Articulated Reconstruction Transformer

E 组 · 场景理解与人体

1. 3D 场景理解

简述：3D 语义/实例分割、可供性、变化检测、稠密描述与开放词汇理解。

意义：让机器“读懂”三维场景的语义与功能，是导航、交互与决策的上层智能。

代表：AffordMatcher: Affordance Learning in 3D Scenes from Visual Signifiers

2. 人体与头像重建

简述：单目/多视角下的人体网格、手势、人群与可驱动 3D 头像（含第一人称）。

意义：数字人、虚拟穿戴与具身交互的基础，强调全年龄段、遮挡鲁棒与实时可驱动性。

代表：AvatarPointillist: AutoRegressive 4D Gaussian Avatarization

F 组 · 具身、数据与方法论

1. 机器人 / 具身智能

简述：把 3D 感知用于抓取、双臂操作、装配与导航的策略与系统。

意义：3D 视觉落地的终极场景，强调把几何先验、可供性与多视角一致性转化为可执行动作。

代表：GAP: Action-Geometry Prediction with 3D Geometric Prior for Bimanual Manipulation

2. 数据集 / 基准 / 综述

简述：新数据集、评测基准与领域综述。

意义：数据是 3D 研究的瓶颈，本类揭示材质/形变/第一人称等长期被忽略的空白与评测陷阱。

代表：3DReflecNet: A Large-Scale Dataset for 3D Reconstruction of Reflective, Transparent, Low-Texture Objects

3. 自监督 / 预训练 / 表征学习

简述：无需 3D 真值的前馈 3D 表征学习与蒸馏。

意义：用 2D 视频与多教师蒸馏“白嫖” 3D 感知，是降低对稀缺 3D 标注依赖的关键路线。

代表：3D sans 3D Scans: Scalable Pre-training from Video-Generated Point Clouds