ETH Zurich（苏黎世联邦理工学院）

FastGHA: Generalized Few-Shot 3D Gaussian Head Avatars with Real-Time Animation

FastGHA: 基于实时动画的通用少样本3D高斯头身像

Xinya Ji, Sebastian Weiss, Manuel Kansy, Jacek Naruniec, Xun Cao, Barbara Solenthaler, Derek Bradley

机构 * Nanjing University（南京大学） ； ETH Zürich（苏黎世联邦理工学院） ； DisneyResearch|Studios（迪士尼研究与工作室） 纠错

AI总结 FastGHA通过少样本输入图像生成高质量3D头身像，并支持实时动画，提升了推理效率和渲染质量。

Comments Accepted to ICLR 2026

ARB-LLM: Alternating Refined Binarizations for Large Language Models

ARB-LLM: 交替精炼二值化用于大语言模型

Zhiteng Li, Xianglong Yan, Tianao Zhang, Haotong Qin, Dong Xie, Jiang Tian, zhongchao shi, Linghe Kong, Yulun Zhang, Xiaokang Yang

机构 * Shanghai Jiao Tong University（上海交通大学） ； ETH Zürich（苏黎世联邦理工学院） ； Lenovo Research（联想研究院） 纠错

AI总结 ARB-LLM通过交替精炼二值化技术，有效解决LLM二值化中的分布偏移和列偏差问题，实现性能超越现有SOTA方法。

Comments The code and models will be available at https://github.com/ZHITENGLI/ARB-LLM

Bonnet: Ultra-fast whole-body bone segmentation from CT scans

Bonnet: 从CT扫描中快速完成全身骨骼分割

Hanjiang Zhu, Pedro Martelleto Rezende, Zhang Yang, Tong Ye, Bruce Z. Gao, Feng Luo, Siyu Huang, Jiancheng Yang

机构 * ELLIS Institute Finland（埃利斯研究所芬兰分校） ； Aalto University（艾尔沃斯大学） ； Clemson University（克莱姆森大学） ； ETH Zurich（苏黎世联邦理工学院） ； Fujian Medical University Union Hospital（福建省医科大学附属医院） ； Fujian Medical University（福建省医科大学） 纠错

AI总结 Bonnet通过高效算法在2.69秒内实现全身骨骼分割，准确度高且速度快。

Comments 5 pages, 2 figures. Accepted for publication at the 2026 IEEE International Symposium on Biomedical Imaging (ISBI 2026)

PT$^2$-LLM: Post-Training Ternarization for Large Language Models

PT²-LLM：大语言模型的后训练三元化

Xianglong Yan, Chengzhu Bao, Zhiteng Li, Tianao Zhang, Kaicheng Yang, Haotong Qin, Ruobing Xie, Xingwu Sun, Yulun Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； ETH Zürich（苏黎世联邦理工学院） ； Tencent Hunyuan（腾讯文言） 纠错

AI总结 PT²-LLM通过后训练三元化技术，在降低内存成本的同时提升大语言模型的推理速度和效率。

Comments Accepted at ICLR 2026

Causal Imitation Learning under Expert-Observable and Expert-Unobservable Confounding

在专家可观测和专家不可观测混杂下的因果模仿学习

Daqian Shao, Thomas Kleine Buening, Marta Kwiatkowska

机构 * Department of Computer Science, University of Oxford, UK（计算机科学系，牛津大学） ； ETH Zurich, Switzerland（苏黎世联邦理工学院） 纠错

AI总结 本文提出DML-IL算法，通过工具变量回归解决因果模仿学习中的隐藏混杂问题，并在连续状态-动作环境中优于现有基线方法。

Comments Proceedings of the International Conference on Learning Representations (ICLR) 2026