ETH Zurich（苏黎世联邦理工学院）

RaCo: Ranking and Covariance for Practical Learned Keypoints

RaCo：用于实用学习关键点的排名与协方差

Abhiram Shenoi, Philipp Lindenberger, Paul-Edouard Sarlin, Marc Pollefeys

机构 * ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌） ； Microsoft Mixed Reality & AI Lab（微软混合现实与人工智能实验室） 纠错

AI总结 RaCo通过轻量级神经网络实现鲁棒关键点学习，无需额外标签，提升3D视觉任务中的关键点可重复性和两视角匹配性能。

Enhancing Diffusion-Based Sampling with Molecular Collective Variables

通过分子集体变量增强扩散采样

Juno Nam, Bálint Máté, Artur P. Toshev, Manasa Kaniselvan, Rafael Gómez-Bombarelli, Ricky T. Q. Chen, Brandon Wood, Guan-Horng Liu, Benjamin Kurt Miller

机构 * FAIR at Meta（Meta的FAIR） ； MIT（麻省理工学院） ； University of Geneva（日内瓦大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 通过引入集体变量的偏置，提升扩散采样在分子采样中的效率和模式发现能力，首次实现反应采样的高精度模拟。

cadrille: Multi-modal CAD Reconstruction with Reinforcement Learning

cadrille: 多模态CAD重建与强化学习

Maksim Kolodiazhnyi, Denis Tarasov, Dmitrii Zhemchuzhnikov, Alexander Nikulin, Ilya Zisman, Anna Vorontsova, Anton Konushin, Vladislav Kurenkov, Danila Rukhovich

机构 * Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学） ； AXXX ； ETH Zurich（苏黎世联邦理工学院） ； Innopolis University（因诺波利斯大学） ； Institute of Mechanics, Armenia（亚美尼亚力学研究所） 纠错

AI总结 cadrille通过强化学习实现多模态CAD重建，首次在CAD任务中应用RL微调，提升重建性能并设定新基准。

Comments ICLR 2026 (Oral)

Policy Gradients for Cumulative Prospect Theory in Reinforcement Learning

基于累积前景理论的强化学习策略梯度

Olivier Lepel, Anas Barakat

机构 * department of computer science at ETH Zürich（苏黎世联邦理工学院计算机科学系） ； Singapore University of Technology and Design（新加坡科技与设计大学） 纠错

AI总结 本文提出了一种基于累积前景理论的强化学习策略梯度算法，通过蒙特卡洛梯度估计器实现，并证明了算法在CPT目标上的渐近收敛性。

Efficient Personalization of Generative Models via Optimal Experimental Design

通过最优实验设计实现生成模型的高效个性化

Guy Schacht, Ziyad Sheebaelhamd, Riccardo De Santi, Mojmír Mutný, Andreas Krause

机构 * ETH Zurich, Zurich, Switzerland（苏黎世联邦理工学院） ； ETH AI Center, Zurich, Switzerland（苏黎世联邦理工人工智能中心） ； Broad Institute, Boston, USA（Broad研究所） 纠错

AI总结 本文通过最优实验设计方法，高效地利用人类反馈优化生成模型的个性化，减少偏好查询的数量。