ETH Zurich（苏黎世联邦理工学院）

EgoTrack3D: A Modular Framework for Egocentric 3D Object Tracking

EgoTrack3D：一种用于第一人称视角三维目标跟踪的模块化框架

Jan Kulik, Bjarni Dagur Thor Karason, Yung-Hsu Yang, Boyang Sun, Marc Pollefeys, Xi Wang

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） 纠错

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。

Learning Physical Interaction: A Survey of Tactile- and Force-aware Robot Learning

学习物理交互：触觉与力感知机器人学习综述

Shilin Shan, Chuhao Zhou, Ruize Wang, Xinyan Chen, Xiangyu Chen, Xinyu Zhou, Boyu Ma, Iris Yuxuan Hu, Jingliang Li, Celeste Yuxuan Hu, Geng Li, Guohao Chen, Tianrui Zhu, Zhe Li, Yanjie Ze, Haoran Geng, Zhiyang Dou, Jianxin Bi, Yuejiang Liu, Jianshu Zhou, Jiachen Li, Paul Liang, Tatsuya Harada, Robert Katzschmann, Harold Soh, Na Li, Edward Johns, Danica Kragic, Jan Peters, Wojciech Matusik, Masayoshi Tomizuka, Jitendra Malik, Jianfei Yang

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） 纠错

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: Hierarchical Proof Search for Open State-of-the-Art Code Verification

Goedel-Code-Prover：面向开放状态的最新代码验证的分层证明搜索

Zenan Li, Ziran Yang, Deyuan He, Haoyu Zhao, Andrew Zhao, Shange Tang, Kaiyu Yang, Aarti Gupta, Zhendong Su, Chi Jin

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 纠错

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

Deep Generative Model for Human Mobility Behavior

人类移动行为的深度生成模型

Ye Hong, Yatao Zhang, Konrad Schindler, Martin Raubal

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） 纠错

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: Synthesizing Ballroom Dancing with Three-Point Inputs

Dancing Points: 通过三点输入合成舞厅舞蹈

Peizhuo Li, Sebastian Starke, Yuting Ye, Olga Sorkine-Hornung

机构 * ETH Zurich（苏黎世联邦理工学院） ； Meta Reality Labs（Meta现实实验室） 纠错

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

Tokenisation over Bounded Alphabets is Hard

在有限字母表上进行分词是困难的

Violeta Kastreva, Philip Whittington, Dennis Komm, Tiago Pimentel

机构 * ETH Zürich（苏黎世联邦理工学院） 纠错

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。

$T^{3}S$: Think in Thermal Time for Generalizable Crop Mapping from Satellite Image Time Series

$T^{3}S$：基于热时间的卫星图像时间序列通用作物映射方法

Mehmet Ozgur Turkoglu, Selene Ledain, Thomas Lauber, Jeffrey Zweidler, Helge Aasen

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） 纠错

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

Artifact detection and localization in single-channel mobile EEG for sleep research using deep learning and attention mechanisms

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

Khrystyna Semkiv, Jia Zhang, Maria Laura Ferster, Walter Karlen

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） 纠错

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。