ETH Zurich（苏黎世联邦理工学院）

nnActive: A Framework for Evaluation of Active Learning in 3D Biomedical Segmentation

nnActive: 一种用于评估3D生物医学分割中主动学习的框架

Carsten T. Lüth, Jeremias Traub, Kim-Celine Kahl, Till J. Bungert, Lukas Klein, Lars Krämer, Paul F. Jaeger, Fabian Isensee, Klaus Maier-Hein

机构 * German Cancer Research Center (DKFZ) Heidelberg, Division of Medical Image Computing（德国癌症研究中心（DKFZ）海德堡，医学影像计算部门） ； Helmholtz Imaging, German Cancer Research Center (DKFZ), Heidelberg, Germany（海德堡影像学，德国癌症研究中心（DKFZ），海德堡，德国） ； Faculty of Mathematics and Computer Science, University of Heidelberg, Germany（海德堡大学数学与计算机科学学院，德国） ； German Cancer Research Center (DKFZ) Heidelberg, Division of Intelligent Medical Systems（德国癌症研究中心（DKFZ）海德堡，智能医学系统部门） ； Institute for Machine Learning, ETH Zürich, Switzerland（苏黎世联邦理工学院机器学习研究所，瑞士） ； German Cancer Research Center (DKFZ) Heidelberg, Interactive Machine Learning Group（德国癌症研究中心（DKFZ）海德堡，交互式机器学习小组） ； Pattern Analysis and Learning Group, Department of Radiation Oncology, Heidelberg University Hospital, Germany（放射肿瘤学系模式分析与学习小组，海德堡大学医院，德国） ； National Center for Tumor Diseases (NCT) Heidelberg, Germany（海德堡肿瘤疾病国家中心（NCT），德国） 纠错

AI总结 nnActive提出一种开源框架，通过大规模研究和改进的随机采样策略，评估3D生物医学分割中主动学习的性能与效率。

Comments Accepted at TMLR

Facade Segmentation for Solar Photovoltaic Suitability

建筑光伏适用性分割

Ayca Duran, Christoph Waibel, Bernd Bickel, Iro Armeni, Arno Schlueter

机构 * ETH Zurich（苏黎世联邦理工学院） ； VITO CRIB Mol ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出了一种基于SegFormer-B5的管道，用于自动识别建筑立面的光伏适用区域并估算太阳能潜力，通过整合建筑组成信息，为城市能源规划提供可靠数据。

Comments NeurIPS 2025 Tackling Climate Change with Machine Learning Workshop version. Non-archival

Neural Texture Splatting: Expressive 3D Gaussian Splatting for View Synthesis, Geometry, and Dynamic Reconstruction

神经纹理散射：用于视图合成、几何和动态重建的表达性3D高斯散射

Yiming Wang, Shaofei Wang, Marko Mihajlovic, Siyu Tang

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出神经纹理散射方法，通过全局神经场提升3D高斯散射在视图合成、几何和动态重建中的性能。

Comments SIGGRAPH Asia 2025 (conference track), Project page: https://19reborn.github.io/nts/

Q-SAM2: Accurate Quantization for Segment Anything Model 2

Q-SAM2：用于Segment Anything Model 2的准确量化

Nicola Farronato, Florian Scheidegger, Mattia Rigotti, Cristiano Malossi, Michele Magno, Haotong Qin

机构 * IBM Research Zurich（IBM瑞士研究中心） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 Q-SAM2通过引入VRC和LSC方法，在低比特量化中实现高精度和高效率，显著优于现有方案。

Comments 22 pages

Expanding the Workspace of Electromagnetic Navigation Systems Using Dynamic Feedback for Single- and Multi-agent Control

通过动态反馈扩展电磁导航系统的作业空间以实现单体和多体控制

Jasan Zughaibi, Denis von Arx, Maurus Derungs, Florian Heemeyer, Luca A. Antonelli, Quentin Boehler, Michael Muehlebach, Bradley J. Nelson

机构 * Multi-Scale Robotics Lab, ETH Zurich（多尺度机器人实验室，苏黎世联邦理工学院） ； Learning and Dynamical Systems Group, Max Planck Institute for Intelligent Systems（学习与动态系统组，马克斯·普朗克智能系统研究所） 纠错

AI总结 通过动态反馈和系统级控制设计扩展电磁导航系统的作业空间，实现单体和多体控制的稳定与高效

SegSplat: Feed-forward Gaussian Splatting and Open-Set Semantic Segmentation

SegSplat: 用于快速前馈3D重建与丰富开放词汇语义理解的框架

Peter Siegel, Federico Tombari, Marc Pollefeys, Daniel Barath

机构 * ETH Zürich（苏黎世联邦理工学院） ； Google（谷歌） ； Microsoft（微软） 纠错

AI总结 SegSplat通过单次传递实现高效3D重建与开放集语义分割，无需每场景优化。