CVPR 2026 几何智能研究盘点：从看见形状，到理解运动与交互

可动结构、4D 表征与高效重建登场。

作者丨郑佳美

编辑丨马晓宁

2026 年 6 月 1 日，国际机器人与自动化会议（ICRA）在奥地利维也纳召开。次日上午的自动驾驶与导航报告环节，雷峰网GAIR 2021大会嘉宾、上海交通大学教授王贺升发表了题为《Learning to Navigate: From Scene Understanding to Decision Makin》的演讲。

3D 视觉研究正在从“重建形状”走向“理解空间”。过去，一个模型只要能生成外观合理的三维物体，就已经足够令人关注。

但现在，真正重要的问题正在变得更复杂：模型能否判断一个物体内部哪些部件可以运动，能否理解动态物体在时间中的几何和外观变化，能否在多视角重建中兼顾精度与效率，甚至能否读懂复杂的 3D 几何论文并写出可复现的研究代码。

这种转变也体现在 CVPR 2026 相关研究所关注的问题上。研究者不再只满足于让 AI 生成一个静态 3D 模型，而是希望它进一步理解物体的结构、运动方式、时空表示和计算过程。

一个抽屉不只是一个长方体，而是应该知道它可以沿轨道滑动；一个动态物体不只是连续的几帧形状，而是需要被统一表示和长期追踪；一个 3D 基础模型也不只是越大越好，还必须在实际场景中高效、稳定地运行。

更深层来看，3D AI正在从单点能力走向系统能力。它不仅要回答“物体长什么样”，还要回答“它怎么动”、“如何被重建”、“如何高效运行”、“如何被研究者复现和扩展”。当这些能力逐渐连在一起，3D 模型才更接近真正可用的空间智能系统，也更接近机器人、仿真、数字孪生和生成式 3D 内容所需要的核心基础。

01

从可动结构到 4D 动态表示

《PARTICULATE: Feed-Forward 3D Object Articulation》关注的是 3D 物体自动关节化问题，相关研究来自牛津大学、剑桥大学和南洋理工大学。

论文主要研究如何从一个静态 3D 网格中，自动推断出物体的可动结构，包括物体由哪些可动部件组成、这些部件之间如何连接，以及它们分别沿着什么方向旋转或滑动。

这项任务的意义在于，很多现实物体并不只是“有形状”，还具有可运动的结构。比如柜门可以旋转打开，抽屉可以沿轨道滑动，水龙头、椅子、行李箱等物体也都有不同形式的可动部件。

对于机器人操作、物理仿真、游戏资产和数字孪生来说，仅有一个静态 3D 模型是不够的，还需要知道这个物体“哪里能动、怎么动、动多少”。

以往的方法往往依赖规则建模、部件检索，或者针对单个物体进行优化，推理速度慢，也很难覆盖真实世界中种类丰富的物体。

论文地址：https://arxiv.org/pdf/2512.11798

针对这一问题，论文提出了 PARTICULATE 框架，它可以在一次前向推理中，从输入的 3D mesh 直接预测完整的关节结构，并在数秒内生成一个可用于物理引擎的可动 3D 模型。

方法上，论文设计了 Part Articulation Transformer，也就是 PAT。它会先从输入 mesh 中采样点云，并结合表面法向量和 PartField 提取的 3D 语义部件特征，然后通过 Transformer 结构和多个解码头，同时预测部件分割、运动学树、关节类型、运动轴和运动范围。也就是说，模型不仅要把物体切分成不同部件，还要判断这些部件之间的父子关系，以及每个部件是旋转、平移，还是固定不动。

论文还构建了一个新的 3D 关节估计评测基准，包含 243 个高质量 3D 资产，并重新设计了更符合人类偏好的评估方式。实验中，PARTICULATE 在静态 3D mesh 的可动结构恢复任务上明显优于已有方法，并且能够泛化到未见过的物体，甚至可以处理 AI 生成的 3D 资产。雷峰网

这篇论文的亮点在于，它把 3D 模型从“静态形状”进一步推向“可交互对象”。过去，一个 3D 生成模型可能只能生成一个外观合理的物体，而 PARTICULATE 试图进一步让模型理解物体内部的可动结构。

它不仅能告诉模型“这个物体长什么样”，还能让模型知道“这个物体应该怎么动”。这对于机器人操作、仿真环境、游戏制作和 AI 生成 3D 内容都有很强的实用价值。

如果说 PARTICULATE 更关注静态 3D 物体内部的“可动结构”，那么《Velox: Learning Representations of 4D Geometry and Appearance》则进一步把视角扩展到时间维度，研究物体在运动过程中的几何和外观变化。相关研究来自苹果公司和多伦多大学，论文关注的是 4D 动态物体表示学习问题。

论文主要研究如何为随时间变化的 3D 物体学习一种紧凑、通用的表示，使模型能够同时捕捉物体的几何结构、外观信息和时间变化。这里的 4D 可以理解为“三维空间加时间”，也就是不仅要知道物体长什么样，还要知道它如何运动。

以往的 3D 或 4D 表示方法往往只服务于单一任务，或者需要提前知道不同时间点之间的点对应关系，因此泛化能力有限。针对这一问题，论文提出了 Velox 框架，将输入的时空彩色点云压缩成一组 dynamic tokens，用这些紧凑表示来概括整个动态物体。论文中提到，这种方式可以实现超过 30 倍的压缩，并且不需要把时间对应关系作为输入。

论文地址：https://arxiv.org/pdf/2605.04527

方法上，Velox 使用类似 Perceiver IO 的编码器，从无结构动态点云中提取时空信息，再通过两个解码器分别建模几何和外观。

其中 4D surface decoder 负责恢复随时间变化的物体表面，Gaussian decoder 则将 dynamic tokens 映射成 3D Gaussians，用于恢复外观细节。也就是说，Velox 不是逐帧处理 3D 物体，而是学习一个贯穿时间的统一动态表示。

论文将这种表示应用到 video-to-4D 生成、3D 跟踪和布料仿真等任务中。实验结果显示，Velox 在动态物体重建、新视角生成和 3D 跟踪等方面表现较好，能够把时间、运动、几何和外观统一到一个紧凑表示中。

这篇论文的亮点在于，它把 3D 生成从“静态形状”推进到“动态世界建模”。Velox 不只是重建一个会动的物体，而是学习一种可以复用的 4D 表示，让模型更好地理解物体在时间中的运动和变化。这对于 4D 生成、动态数字资产、机器人感知和仿真任务都有重要意义。

在 3D 和 4D 模型能力不断增强的同时，推理效率也成为实际应用中绕不开的问题。《HeSS: Head Sensitivity Score for Sparsity Redistribution in VGGT》关注的正是 VGGT 模型的高效推理，相关研究来自首尔大学。论文主要研究如何在多视角 3D 重建中降低 VGGT 全局注意力层的计算开销，同时尽量避免精度下降。

VGGT 依靠全局注意力来理解多张图像之间的几何关系，但注意力计算成本会随着输入视图数量增加而快速上升，这限制了它在大规模或实时 3D 重建场景中的应用。

以往的稀疏化方法通常会对所有注意力头使用相同的稀疏策略，也就是统一减少注意力计算。但论文指出，不同注意力头对稀疏化的敏感程度并不一样。有些头对相机位姿、点云结构等几何信息非常关键，如果被过度稀疏化，模型性能会明显下降；而有些头相对不敏感，可以承受更高程度的稀疏。

论文地址：https://arxiv.org/pdf/2603.25336v1

针对这一问题，论文提出了 HeSS，也就是 Head Sensitivity Score，用来衡量每个注意力头对稀疏化的敏感程度。它通过一个小规模校准集，结合相机位姿误差和点云误差两个指标，近似估计每个注意力头的重要性。这样模型就可以知道哪些头需要保留更密集的注意力计算，哪些头可以进一步稀疏化。

方法上，论文采用两阶段流程。第一阶段是离线校准，计算每个注意力头的 HeSS 分数；第二阶段是在推理时根据这些分数重新分配注意力预算。也就是说，总计算量不一定增加，但会把更多预算分给敏感头，把更少预算分给不敏感头，从而在保持加速效果的同时减少重建质量损失。

这篇论文的亮点在于，它不是简单地“统一压缩”模型，而是根据不同注意力头的重要性进行更精细的稀疏化分配。实验结果显示，HeSS 能够有效捕捉全局注意力层中不同头的敏感差异，在高稀疏率下比 SparseVGGT 更好地保持相机位姿估计和点云重建质量，并且可以推广到其他基于 VGGT 的结构中。

总体来看，这篇论文的核心贡献是让 VGGT 这类 3D 视觉基础模型在保持几何精度的同时变得更高效。它说明模型加速不能只看计算量，还要理解模型内部不同模块对任务结果的影响。对于多视角 3D 重建、实时空间感知和大规模 3D 场景建模来说，这类“精度友好型加速”方法具有较强的实用价值。

当 3D 视觉模型越来越复杂，另一个问题也随之出现：大语言模型能不能真正帮助研究者理解并实现这些几何算法。

《Benchmarking PhD-Level Coding in 3D Geometric Computer Vision》关注的是 3D 几何视觉中的高难度代码生成评测问题，相关研究来自清华大学人工智能产业研究院、清华大学求真书院、北京智源人工智能研究院、北京大学、南京大学和多伦多大学。

论文主要研究的是：当大语言模型读到一篇 3D 视觉论文和相关代码框架时，能否真正理解其中的几何算法，并写出可以运行、可以通过单元测试的研究级代码。

这项工作的背景在于，AI 辅助编程已经在通用软件开发中表现较强，但 3D 几何视觉代码并不只是普通编程。它往往涉及坐标变换、相机投影、点云处理、物理或光学公式、渲染逻辑以及多视角几何关系。

如果模型只是“会写代码”，但不能准确理解论文中的数学定义和几何约束，就很容易写出看似合理、实际错误的实现。为了解决缺少专业评测的问题，论文提出了 GeoCodeBench，这是一个面向 3D 几何视觉的博士级代码生成基准。雷峰网

每个任务都来自真实 3D 视觉论文及其官方代码仓库，形式是给模型论文内容和一个被挖空的函数，让模型补全核心实现，再通过单元测试判断代码是否正确。这个设定更接近真实科研场景：模型不仅要读懂论文，还要把方法转化成可执行代码。

论文地址：https://arxiv.org/pdf/2603.30038v1

在数据构建上，GeoCodeBench 从 CVPR 2025、ICCV 2025 和 ICLR 2025 的 47 个代码仓库中筛选出 100 个高质量问题，覆盖 Gaussian Splatting、姿态估计、SLAM、重建、NeRF、物理建模和 3D 分割等方向。

任务被分为两大能力：一类是通用 3D 能力，包括几何变换和力学 / 光学公式实现；另一类是科研能力，包括新算法实现和几何逻辑组合。

论文还设计了自动化评测流程。系统会解析论文内容、提取代码函数、生成被挖空的实现模板，并为每个问题构建覆盖普通情况和边界情况的单元测试。模型生成代码后，直接在测试环境中运行，用通过率衡量结果。这种方式比只看自然语言回答更严格，因为代码必须真正执行正确，才能算通过。

实验结果显示，当前大模型在这类任务上仍有明显差距。论文评测了 8 个开源和闭源模型，其中表现最好的 GPT-5 总通过率也只有 36.6%。结果还显示，模型在基础几何和数学公式类任务上相对更好，但在论文特定的新算法实现和几何逻辑组合上明显更弱，说明它们距离可靠完成 3D 科研级编程还有很大空间。

这篇论文的亮点在于，它把大模型代码能力评测从通用编程推进到了更接近科研现场的 3D 几何视觉场景。

GeoCodeBench 不只是考模型会不会写 Python，而是考它能不能读懂论文、理解几何关系、实现核心算法并通过可复现测试。总体来看，这项工作为评估和推动“自动化 3D 视觉研究助手”提供了一个更严格、更真实的测试平台。

02

去哪看 CVPR 核心【演讲/论文】详解？

为了让国内的研发者、创业者与投资人能够毫无时差地掌握本届 CVPR 2026 的完整干货，雷峰网已全面上线【CVPR 2026 深度专区】。

专区不仅全面收录了重磅论文的工程化解读、专家前沿演讲，更将持续更新前方记者的第一手会议动态。

与全球 8000 名顶尖大脑同步呼吸，抢先透视具身智能的下一个五年！