EPFL（洛桑联邦理工学院）

Tendon Force Modeling for Sim2Real Transfer of Reinforcement Learning Policies for Tendon-Driven Robots

肌腱力建模用于强化学习策略的sim2real迁移：用于肌腱驱动机器人的应用

Valentin Yuryev, Josie Hughes

机构 * CREATE Lab, Swiss Federal Institute of Technology Lausanne (EPFL)（CREATE实验室，瑞士联邦理工学院洛桑分校（EPFL）） 纠错

AI总结 本研究提出一种基于变压器的肌腱力建模方法，通过模拟与强化学习结合，提升真实机器人中肌腱驱动手指的控制性能。

Comments preprint

Do We Need All the Synthetic Data? Targeted Image Augmentation via Diffusion Models

我们是否需要所有合成数据？通过扩散模型的目标图像增强

Dang Nguyen, Jiping Li, Jinghao Zheng, Baharan Mirzasoleiman

机构 * University of California Los Angeles (UCLA)（加州大学洛杉矶分校） ； Ecole Polytechnique Federale de Lausanne (EPFL)（瑞士联邦理工学院洛桑分校） 纠错

AI总结 TADA通过选择性增强训练初期未被学习的示例，利用扩散模型提高图像分类的泛化能力，实验表明仅增强30-40%的数据即可提升性能。

Extremely Simple Multimodal Outlier Synthesis for Out-of-Distribution Detection and Segmentation

极简多模态异常合成用于分布外检测与分割

Moru Liu, Hao Dong, Jessica Kelly, Olga Fink, Mario Trapp

机构 * Technical University of Munich（慕尼黑技术大学） ； ETH Zürich（苏黎世联邦理工学院） ； Fraunhofer IKS（弗劳恩霍夫研究所） ； EPFL（苏黎世联邦理工学院） 纠错

AI总结 本文提出极简多模态异常合成方法Feature Mixing，通过理论支持提升OOD检测性能，实验表明其在多个数据集上达到最优效果，速度提升显著。

Comments NeurIPS 2025