智能几何计算面向三维世界的表达、理解、生成与处理，是连接计算机图形学、计算机视觉和人工智能的重要前沿方向。随着具身智能、数字孪生、自动驾驶和三维内容创作快速发展，机器需要更高效地理解真实空间、生成高质量三维资产，并处理复杂曲面与工业几何模型。
王鹏帅（左四）携团队研究生参加中国三维视觉大会
围绕三维数据稀疏、非规则、多尺度和拓扑复杂等难题，王选计算机研究所王鹏帅研究团队形成了以八叉树稀疏表征为核心，贯通“高效表征、智能生成、几何处理”的研究布局。团队在SIGGRAPH（Asia）、CVPR等顶级会议和期刊发表高质量论文30余篇，并通过开源生态和校企合作推动成果在三维理解、高保真场景建模和内容生成中落地。凭借系列开创性工作，王鹏帅于2023年荣获亚洲图形学学会青年学者奖，2025年获得China3DV优秀青年学者奖和CCF CAD&CG青年科技奖，2022年至2025年连续四年入选AMiner AI 2000全球最具影响力青年学者提名，并于2025年获得CVMJ最佳论文奖。
王鹏帅还长期参与图形学领域的学术生态建设，受邀担任IEEE Transactions on Visualization and Computer Graphics（CCF A 类）及Computers & Graphics编委，并连续担任SIGGRAPH Asia、Eurographics、SGP等国际会议程序委员会委员。
三维点云广泛用于自动驾驶感知、工业机器人和数字孪生建模，但其非规则、稀疏的空间结构使传统深度学习框架难以直接处理。团队提出点云序列化思想，将非结构化点云组织为适合深度网络计算的结构化序列，在保留几何邻域信息的同时提升大规模点云处理效率。
基于八叉树的注意力机制网络OctFormer
针对点云Transformer的平方级复杂度和低并行效率，团队提出OctFormer，利用八叉树组织点云并在稳定局部窗口内进行注意力计算，将复杂度降为线性，获得超过20倍加速。该模型在多项三维基准测试中显著优于稀疏体素CNN与现有Transformer。相关成果王鹏帅以唯一作者发表于SIGGRAPH 2023，为大规模点云理解提供了高性能基础架构，也为自动驾驶高精地图构建、大规模数字孪生建模等真实场景打开了新的应用空间。
左图：Point Transformer V3，该方法能够在20余个数据集上取得最佳性能；右图：Swin3D证实了在合成三维数据上进行预训练的研究范式
在此基础上，团队参与研制Point Transformer V3，引入多重空间填充曲线和稀疏卷积特征提取器，在20余项室内外任务中刷新纪录，并入选CVPR 2024 Oral。团队还提出Swin3D预训练架构，验证“合成数据预训练+真实场景微调”的有效性，相关论文获CVMJ 2025最佳论文奖。
三维生成需要同时保证几何结构完整、表面连续、拓扑合理以及生成效率。团队将八叉树稀疏表征引入扩散模型和自回归模型，使三维内容创作从依赖手工建模走向高质量、可控、低成本的智能生成。
基于八叉树的三维扩散模型
团队提出基于八叉树的三维扩散模型，缓解高维采样、拓扑连续性和级联误差累积等瓶颈。在单张英伟达4090GPU上，该方法可实现2.5秒级高保真几何生成，较主流方法提升两个数量级，并可扩展到文本驱动、草图交互和三维纹理生成等场景。
三维自回归生成模型OctGPT的生成结果
面向三维几何生成中的长序列和显存开销问题，团队提出基于八叉树的自回归模型OctGPT。相关成果发表于SIGGRAPH 2025。该方法训练速度和生成速度分别提高13倍与69倍，可在消费级显卡下生成1024分辨率三维模型。OctGPT在生成质量、多样性和多模态可控性方面均展现出领先优势，为未来构建统一的三维多模态大模型奠定了基础。
左图：基于图神经网络的测地线预测；右图：基于图神经网络的点云拉普拉斯算子预测
智能几何处理关注测地线距离、拉普拉斯算子、曲面重建和形状编辑等基础问题，直接影响CAD/CAE、数字孪生、机器人感知和三维内容生产。面对扫描点云、缺陷模型和复杂工业数据，传统方法往往难以兼顾效率、鲁棒性和适用范围。
团队将图神经网络引入基础几何算法，提出恒定时间复杂度的测地线查询范式，使效率较传统算法提升2至3个数量级；又提出数据驱动的点云拉普拉斯算子，使谱分析、热扩散等经典算法可迁移到非结构化点云。相关成果发表于SIGGRAPH Asia 2023和2024，并已支撑超实时动力学仿真、三维生成引擎和自主CAD/CAE软件生态建设。
