CVPR 2026 三维视觉趋势：多视角、事件视觉与相机轨迹推动空间推理
CVPR 2026 研究趋势显示，视觉系统正从 RGB 外观感知转向对三维结构、跨视角一致性、时间动态和观察过程的综合建模。重点介绍了两项工作：AlignPose 利用多视角特征对齐实现未见物体 6D 姿态估计，性能提升 11%；FlashCap 结合闪烁 LED 与事件相机实现毫秒级人体运动捕捉，构建 FlashMotion 数据集。
事件概述
CVPR 2026 的研究脉络显示，计算机视觉正从单纯依赖 RGB 外观表征转向对三维结构、跨视角一致性、时间动态和观察过程的综合建模。以下两项工作分别从多视角几何和事件视觉角度回应了“视觉系统如何在真实空间中理解世界”这一底层问题。
核心工作
1. AlignPose：多视角 RGB 6D 姿态估计
由捷克理工大学团队提出，针对未见物体的 6D 姿态估计任务。系统仅需物体的 3D 网格、多台已标定相机的 RGB 图像及内外参，即可在无需测试物体重新训练的情况下估计全局姿态。
方法上，它不简单融合单视角结果，而是通过 3D NMS 去除重复候选后，利用多视角特征对齐（feature-metric alignment）联合优化物体在世界坐标系中的单一姿态。具体地，根据当前姿态在线渲染物体特征，并用冻结的视觉基础模型提取真实图像特征，使多个视角共同最小化渲染特征与观测特征的差异。
实验结果显示，该方法在 YCB-V、T-LESS、ITODD-MV 和 HouseCat6D 数据集上平均性能比单视角估计提升约 11%，比已发表的多视角 RGB 方法提升约 5%，尤其擅长无纹理、金属反光和透明物体。
2. FlashCap：毫秒级人体运动捕捉
由厦门大学和上海科技大学合作完成，针对高速人体运动中的时间分辨率不足问题。传统 RGB 相机受帧率限制，光学动捕成本高，IMU 易漂移。
论文构建 FlashCap 系统：人体关键部位粘贴以不同频率闪烁的 LED 标记点，事件相机异步捕捉亮度变化，通过事件聚类、频率识别等步骤自动生成 1000 Hz 的 2D 人体关键点标签。基于该系统构建的 FlashMotion 数据集包含事件、RGB、LiDAR 和 IMU 四种模态，共 240 段序列、约 715 万标注帧，覆盖 20 名志愿者的多类高速动作，并提供 1000 Hz 2D 标签与 60 Hz 3D SMPL 标签。
团队还设计了 ResPose 基线方法，以 RGB 姿态作为结构先验，利用事件流学习毫秒级残差姿态，在精确运动计时和高时间分辨率姿态估计上优于 ViTPose、Hybrid ANN-SNN、LEIR 等插值类方法。