标题：CVPR 2026 三维视觉趋势：从 RGB 感知到真实世界建模

正文：
多视角、事件视觉与相机轨迹正推动视觉模型迈向更强的空间推理能力。过去，计算机视觉专注于提升识别能力、扩大模型规模和复杂生成任务，但在机器人、工业检测等实际应用中，一个核心问题浮现：视觉系统是在“看图像”，还是在“理解世界”？

真实世界并非由静止、完整的图像构成，物体可能被遮挡，单视角会带来深度歧义，高速动作可能在帧间丢失。视频语义不仅存在于像素纹理中，相机的移动方式也可能暗示事件和行为。因此，视觉研究正从依赖 RGB 表征转向综合建模三维结构、跨视角一致性、时间动态和观察过程。

CVPR 2026 的研究趋势尤为明显：许多工作不再局限于提升传统 2D 感知指标，而是探索如何让模型在真实空间中定位物体、捕捉毫秒级运动、从遮挡图像生成完整 3D 场景，甚至仅凭相机轨迹理解视频内容。以下几篇论文从不同角度回应了这一挑战。

AlignPose：由捷克理工大学团队开发，关注未见物体的多视角 RGB 6D 姿态估计。该方法通过多视角几何约束优化全局一致的姿态，无需物体专属训练或深度图，解决了遮挡和外观歧义问题，在无纹理、反光和透明物体上表现突出。

FlashCap：厦门大学团队提出低成本高频动捕系统，结合闪烁 LED 和事件相机捕捉毫秒级人体运动。其构建的 FlashMotion 数据集包含 1000 Hz 标注，为体育分析和机器人模仿学习提供了高精度姿态数据基础。

SceneMaker：清华大学等机构提出开放集单图 3D 场景生成方法，将去遮挡、物体生成和姿态估计解耦，生成更完整、合理的 3D 场景，尤其在复杂遮挡和未知物体类别下表现优异。

Seeing without Pixels：Google DeepMind 和德克萨斯大学奥斯汀分校的研究表明，仅分析相机轨迹即可理解视频内容。相机运动模式反映了动作和事件，论文提出的 CamFormer 模型验证了轨迹作为独立模态的价值，尤其在视觉线索不足时表现突出。

这些研究共同推动视觉系统从“识别画面”走向“理解世界”。