CVPR 2026 几何智能研究盘点：从静态形状到动态交互理解

事件概述

CVPR 2026 几何智能相关研究呈现从“重建形状”向“理解空间”的明显转向。模型不仅需要生成外观合理的三维物体，更要判断物体内部可动部件、理解动态物体在时间中的变化、提升多视角重建的精度与效率，甚至能读懂几何论文并写出可复现的研究代码。以下盘点四项代表性工作。

核心信息

1. 从静态形状到可动结构

• PARTICULATE (Feed-Forward 3D Object Articulation) 由牛津大学、剑桥大学和南洋理工大学提出。它从静态3D mesh中一次前向推理，自动推断出物体的可动部件、关节类型、运动轴与范围，在数秒内生成可直接用于物理引擎的可动3D模型。核心是 Part Articulation Transformer（PAT），通过采样点云、法向量和语义部件特征，同时预测部件分割、运动学树和运动参数。论文还构建了包含243个高质量3D资产的评测基准，实验表明该方法优于已有方法并泛化到未见物体。

2. 从3D到4D动态表示

• Velox (Learning Representations of 4D Geometry and Appearance) 来自苹果公司和多伦多大学。它将随时间变化的彩色点云压缩为一组 dynamic tokens，实现超过30倍压缩且无需预先知道时间对应关系。编码器基于 Perceiver IO 结构从无结构动态点云提取时空信息，两个解码器分别恢复几何（4D surface decoder）和外观（映射为3D Gaussians）。成果可用于 video-to-4D 生成、3D 跟踪和布料仿真，将物体运动、几何和外观统一为紧凑表示。

3. 精度友好的模型加速

• HeSS (Head Sensitivity Score for Sparsity Redistribution in VGGT) 来自首尔大学。针对 VGGT 全局注意力层计算开销随输入视图数量剧增的问题，HeSS 通过离线校准计算每个注意力头对稀疏化的敏感分数（结合相机位姿误差和点云误差），在推理时按重要性重新分配注意力预算。该方法比统一稀疏化策略更有效，在高稀疏率下能保持相机位姿估计和点云重建质量，且可推广至其他 VGGT 结构。

4. 评估大模型的3D科研代码能力

• Benchmarking PhD-Level Coding in 3D Geometric Computer Vision (GeoCodeBench) 来自清华大学、智源研究院、北京大学、南京大学和多伦多大学。它构建了一个博士级3D几何视觉代码生成基准，从 CVPR/ICCV/ICLR 2025 的47个仓库中筛选100个问题，覆盖 Gaussian Splatting、姿态估计、SLAM、NeRF 等方向。任务形式为给模型论文内容和被挖空的函数，要求补全核心实现并通过单元测试。评测了8个模型，表现最好的 GPT-5 总通过率仅36.6%，模型在基础几何和公式类任务上较好，但在新算法实现和几何逻辑组合上明显不足。

值得关注

这四项研究分别从可交互结构、4D动态表示、高效推理和AI辅助科研四个维度推动3D视觉从“看见形状”走向“理解运动与交互”。PARTICULATE 和 Velox 让模型从静态感知迈向动态理解；HeSS 关注基础模型的实际部署效率；GeoCodeBench 则量化了当前大模型在专业3D科研任务中的能力边界。整体上，3D AI正从单点能力向系统能力演进，为机器人、仿真、数字孪生和生成式3D内容提供更坚实的基础。