高校专区
SpotlessGS：面向机器人感知的动态光照下可重光照三维高斯溅射技术
机构 * Technical University of Munich（慕尼黑工业大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 该研究针对机器人在差光照环境下感知性能下降问题，提出SpotlessGS方法，通过优化光照参数、引入SH光照模型及MLP-BRDF，实现可重光照三维重建，提升了渲染与感知性能。
Comments Accepted to the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)
Euclid-Omni：面向平面几何的统一神经符号框架
机构 * Apodex ； University of Toronto（多伦多大学） ； UC Berkeley（加州大学伯克利分校） ； ETH Zürich（苏黎世联邦理工学院） ； Meta FAIR
AI总结 本文提出Euclid-Omni统一神经符号框架，结合形式几何系统与LLMs、VLMs，核心为符号几何求解器Euclidea，生成合成数据训练模型，在竞赛级几何问题上性能优异且成本更低。
DiffSoup：三角汤的直接可微化着色以实现极端辐射场简化
机构 * The University of Tokyo（东京大学） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出DiffSoup，一种利用少量三角形和神经纹理的辐射场表示，通过随机遮罩实现直接可微的二进制不透明度，从而在无需平滑着色的情况下实现高效的实时渲染。
Comments v2: Corrected all parameter counts in the "# Params" column of Table 3, which were incorrectly reported as 10 times smaller. This correction does not affect the discussion or conclusions drawn from the comparison
SimulCost: 一个用于自动化物理模拟的代价感知基准与工具包
机构 * University of California San Diego（加州大学圣地亚哥分校） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Peking University（北京大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； California Institute of Technology（加州理工学院） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 针对现有LLM评估忽略工具使用代价的问题，提出SimulCost基准，通过单轮和多轮参数调优任务比较LLM与传统扫描方法在准确性和计算代价上的表现，发现LLM在高精度任务中初始猜测不可靠且多轮模式效率更低。
Comments post conference revision version at ICML; update: removed CGYRO due to bug in cases search. Will add back soon; Make the title consistent w/ pdf
可扩展评估的极限：LLM作为裁判无法超越两倍数据
机构 * Max Planck Institute for Intelligent Systems, Tübingen（马克斯·普朗克智能系统研究所，图宾根） ； Tübingen AI Center（图宾根人工智能中心） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文研究了使用LLM作为裁判进行模型评估的局限性，发现当裁判准确性不足时，去偏方法无法显著减少所需的真实标签数量。
Comments ICLR 2025; 27 pages, 8 figures
ROC-n-reroll：验证器缺陷对测试时缩放的影响
机构 * ETH Zürich（苏黎世联邦理工学院） ； Max Planck ETH Center for Learning Systems（马克斯·普朗克ETH学习系统中心） ； Max Planck Institute for Intelligent Systems, Tübingen（图宾根马克斯·普朗克智能系统研究所） ； Tübingen AI Center（图宾根人工智能中心）
AI总结 本工作针对测试时缩放中验证器缺陷的理论空白，证明相关方法的实例级精度由验证器ROC曲线几何刻画，经Qwen、LLaMA模型在指定数据集上验证，得出RS与BoN在不同计算条件下的性能规律。
Comments 47 pages, 10 Figures
MAGneT-3D：单目与领域通用的时序3D检测
机构 * TU Munich（慕尼黑工业大学） ； TU Darmstadt（达姆施塔特工业大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学）
AI总结 针对单目时序3D检测中基于查询的模型泛化能力差的问题，提出首个领域通用单目时序3D检测方法MAGneT-3D，采用DRAG与TRIM策略，在跨数据集基准上零样本域偏移下NDS提升至18.6%。
Comments To appear at ECCVW 2026 (DriveX workshop; Oral paper). Johannes Meier and Mohamed Kotb - both authors contributed equally. Project page: https://mo-sameh.github.io/MAGneT-3D-Project-Page/
从地球观测数据中学习预测作物生长
机构 * Agroscope（阿格罗scope（瑞士农业研究机构）） ； Swiss Data Science Center（瑞士数据科学中心） ； ETH Zurich（苏黎世联邦理工学院） ； EPFL（洛桑联邦理工学院）
AI总结 本研究针对国家尺度冬小麦生长预测问题，提出轻量级单峰形状正则化器，结合Seq2Seq模型在瑞士数据集上实现R²超0.8的预测，验证了遥感与气象序列建模的有效性。
SALSA-V：基于视频的捷径增强式长同步音频生成模型
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 SALSA-V是一种多模态视频转音频生成模型，通过掩码扩散目标和捷径损失实现长音频同步高保真生成，仅需8步采样即可快速生成，性能优于现有SOTA，可用于专业音频合成任务。
EgoPHI：从第一视角视觉估计接触与力
机构 * ETH Zürich（苏黎世联邦理工学院）
AI总结 EgoPHI是从单目RGB图像与物体几何联合估计手和物体网格的密集3D接触图与力分布的方法，通过物理模拟扩充数据集，在多场景下实现了性能提升与泛化，推动了第一视角手-物体交互的物理推理。
Comments Accepted by ECCV 2026
基于契约的分布式模型预测控制的随时即插即用控制
机构 * Institute for Dynamic Systems and Control, ETH Zurich（动态系统与控制研究所，苏黎世联邦理工学院） ； Institute of Mechanical Engineering, École Polytechnique Fédérale de Lausanne（机械工程研究所，洛桑联邦理工学院）
AI总结 研究多移动机器人应用中通信拓扑时变问题，提出基于局部通信的分布式控制算法，靠距离邻居定义和预测轨迹契约，有效支持智能体随时加入或离开，保证避碰和约束满足。
通过策略先验进行安全探索
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 提出SOOPER方法，利用次优但保守的策略先验，结合概率动力学模型进行乐观探索和悲观回退，在保证安全的同时收敛到最优策略。
Map-Det3D：面向流输入的多视图3D目标检测的度量前馈3D重建先验
机构 * ETH Zürich（苏黎世联邦理工学院） ； Meta Reality Labs（元宇宙实验室） ； University of Bonn（波恩大学）
AI总结 Map-Det3D是一种在线多视图3D目标检测模型，通过将短时间窗口映射为多视图并利用前馈度量3D重建模型作为几何骨干，直接在度量3D空间预测边界框，实现了稳定的单目视频3D检测，且具有良好的在线性能与鲁棒迁移性。
Comments ECCV 2026
基于稀疏离线到在线强化学习从SMPC演示中学习移动操作
机构 * RAI Institute（RAI研究所） ； Technical University of Munich（慕尼黑工业大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本研究利用仿真中SMPC生成的离线数据，结合稀疏奖励训练离策略RL智能体，整合动态稳定性控制器，实现机器人移动操作技能的仿真到真实迁移，性能超越原最优控制方法。
解耦旋转位置嵌入（RoPE）的表达能力
机构 * Toyota Technological Institute at Chicago（芝加哥丰田技术学院） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 该研究解耦RoPE的两种核心观点，形式化其表达性，发现常规RoPE的非周期性旋转仅能实现有界模拟，而周期性RoPE可泛化模块化语言，为RoPE Transformer提供更贴近实际的理论表征。
迈向能量前沿异质中微子探测器的风格化模型：通过自监督预训练
机构 * IPA, ETH Zürich（瑞士苏黎世联邦理工学院IPA研究所）
AI总结 本文提出一种稀疏ViT框架，通过自监督预训练学习异质探测器数据的可重用表示，提升中微子风味和charm夸克识别、动量回归和顶点重建性能。
Comments 18 pages, 6 figures
V-FiLLM：经过验证的金融大语言模型推理基准
机构 * ETH Zürich（苏黎世联邦理工学院） ； Aisot Technologies Ltd（艾索特科技有限公司）
AI总结 本文提出V-FiLLM框架生成高可靠性金融推理基准，发现开源模型在金融推理深度增加及数值扰动下准确率显著下降，轻量级LoRA微调可提升模型在相关任务的表现。
Comments 10 pages, 6 tables, 2 figures, under review
空中布局：用于天花板精确飞行中标记的柔顺驱动末端执行器的设计与控制
机构 * Autonomous Systems Lab, ETH Zurich（苏黎世联邦理工学院自主系统实验室）
AI总结 该研究针对空中机器人毫米级定位精度需求，设计采用Gough-Stewart机构的柔顺驱动末端执行器，实现天花板上的精确标记，无需复杂建模或控制。
Comments C. Lanegger and M. Ruggia contributed equally. Accepted to Robotics: Science and Systems (RSS) 2022
GARLIC：重症监护环境下多变量时间序列的基于图注意力的关系学习
机构 * University of Zürich（苏黎世大学） ； ETH Zürich（苏黎世联邦理工学院） ； SPF ； SCAI Lab（SCAI实验室） ； D-HEST
AI总结 本文提出GARLIC模型，通过可学习指数衰减编码器等模块处理ICU多变量时间序列，在三个ICU基准数据集上实现结局预测最优，兼具可解释性与泛化性。
Comments *Equal contribution
GENCO — 嵌入开发框架的稳态电网分析统一神经求解器
机构 * IBM Research（IBM研究院） ； Hydro-Québec Research Institute（魁北克水电研究院） ； ETH Zurich（苏黎世联邦理工学院） ； Stony Brook University（石溪大学） ； Brookhaven National Laboratory（布鲁克海文国家实验室）
AI总结 研究人员推出统一神经求解器GENCO及开源GridFM开发框架，其可处理电网PF、OPF、SE任务，在基准测试中提速显著且性能优于经典求解器，降低电网分析门槛。
EgoTrack3D：一种用于第一人称视角三维目标跟踪的模块化框架
机构 * ETH Zürich（苏黎世联邦理工学院） ； Microsoft Research（微软研究院） ； TUM（慕尼黑工业大学） ； MCML（慕尼黑计算与机器学习中心）
AI总结 EgoTrack3D是一种模块化框架，可从第一人称视角RGB视频重建动态三维场景，在ADT数据集上较基线提升11% PCL，还能在退化观测下维持准确空间表示。
学习物理交互：触觉与力感知机器人学习综述
机构 * Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） ； National University of Singapore（新加坡国立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； The University of Tokyo（东京大学） ； ETH Zurich（苏黎世联邦理工学院） ； Harvard University（哈佛大学） ； Imperial College London（伦敦帝国学院） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Technical University of Darmstadt（达姆施塔特工业大学）
AI总结 本综述针对力与触觉感知机器人学习研究的空白，提出TF-ART分类法，整合多模态感知与多阶段系统设计视角，兼具算法与实践意义。
Comments 53 pages, 7 figures
Goedel-Code-Prover：面向开放状态的最新代码验证的分层证明搜索
机构 * ETH Zürich（苏黎世联邦理工学院） ； Princeton Language and Intelligence（普林斯顿语言与智能实验室） ； Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； MiroMind
AI总结 本文提出Goedel-Code-Prover框架，通过分层证明搜索提升Lean4中代码验证的自动化水平，实现62%的成功率，优于现有基线方法。
Comments Published as a COLM paper
人类移动行为的深度生成模型
机构 * Institute of Cartography and Geoinformation, ETH Zurich（测绘与地理信息研究所，苏黎世联邦理工学院） ； Department of Human Geography, Lund University（人类地理学系，吕勒奥大学） ； Future Resilient Systems, Singapore-ETH Centre, ETH Zurich（未来韧性系统，新加坡-苏黎世联邦理工学院，苏黎世联邦理工学院） ； Photogrammetry and Remote Sensing, ETH Zurich（摄影测量与遥感，苏黎世联邦理工学院） ； Department of Geography, University College London（地理系，伦敦大学学院）
AI总结 提出基于扩散的生成框架MobilityGen，模拟多属性活动-出行序列，复现标度律、时间分配等关键模式，支持城市空间可达性和社会暴露分析。
Comments Accepted at TRC
Dancing Points: 通过三点输入合成舞厅舞蹈
机构 * ETH Zurich（苏黎世联邦理工学院） ； Meta Reality Labs（Meta现实实验室）
AI总结 通过三点输入合成舞厅舞蹈，利用低维轨迹预测提升动作生成效率
在有限字母表上进行分词是困难的
机构 * ETH Zürich（苏黎世联邦理工学院）
AI总结 在有限字母表上分词的难度研究显示，无论字母表大小如何，分词问题均为NP完全，且无多项式时间近似方案，揭示了分词计算不可行性的根本原因。
$T^{3}S$：基于热时间的卫星图像时间序列通用作物映射方法
机构 * Earth Observation of Agroecosystems Team, Agroscope, Switzerland（农业生态系统观测团队，阿格罗科学研究所，瑞士） ； ETH Zurich, Switzerland（苏黎世联邦理工学院，瑞士）
AI总结 研究针对卫星图像时间序列作物分类泛化能力不足等问题，提出基于热时间的$T^3S$方法，通过累积生长度日重新索引观测，在多个数据集上评估，该方法在跨年度和跨区域作物分类上优于基线，提升了多项性能。
Comments Camera-ready version for the ECCV CVPPA workshop
基于深度学习与注意力机制的睡眠研究中单通道移动EEG的伪影检测与定位
机构 * Institute of Biomedical Engineering, Ulm University（生物医学工程研究所，乌尔姆大学） ； Mobile Health Systems Lab, Department of Health Sciences and Technology, ETH Zurich（移动健康系统实验室，健康科学与技术系，苏黎世联邦理工学院）
AI总结 该研究针对单通道移动EEG伪影检测的应用局限，提出CNN-CBAM模型，经72份训练、26份测试数据验证，其性能优于6种对比方法，实现了可穿戴睡眠EEG伪影的自动化检测与定位。
超越流畅性：脊柱MRI报告生成的临床基准与异常增强基线
机构 * ETH Zurich（苏黎世联邦理工学院） ； Swiss Institute of Bioinformatics (SIB)（瑞士生物信息学研究所）
AI总结 该研究针对放射学报告的耗时与阅片差异问题，构建腰椎MRI的VLM临床基准，提出半监督U-Net++生成异常热图增强VLM的框架，提升诊断可靠性与可解释性。
Comments Maria Monzon and Catherine R. Jutzeler contributed equally as shared last authors. Accepted at the CV4Clinic Workshop, CVPR 2026
Journal ref Proc. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026, pp. 6759-6770
Vernata：激光雷达点表示的自监督学习
机构 * Robotics and AI Institute（机器人与人工智能研究院） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本研究提出基于Sonata架构的Vernata自监督学习框架，通过三项扩展优化激光雷达点云表示，在多数据集上相比基线取得显著性能提升，模态减少场景下仍保持竞争力
Comments IROS 2026. Implementation: https://github.com/rai-opensource/vernata
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈