ETH Zurich（苏黎世联邦理工学院）

A Unified Low-Dimensional Design Embedding for Joint Optimization of Shape, Material, and Actuation in Soft Robots

一种统一的低维设计嵌入用于软机器人形状、材料和驱动的联合优化

Vittorio Candiello, Manuel Mekkattu, Mike Y. Michelis, Robert K. Katzschmann

机构 * Soft Robotics Lab, D-MAVT, ETH Zurich, Switzerland（苏黎世联邦理工学院软机器人实验室） ； ETH AI Center, ETH Zurich, Switzerland（苏黎世联邦理工学院人工智能中心） 纠错

AI总结 本文提出了一种统一的低维设计嵌入方法，用于软机器人形状、材料和驱动的联合优化，通过结构化参数空间实现高效协同设计。

Comments This work has been submitted to the IEEE for possible publication

SORS: A Modular, High-Fidelity Simulator for Soft Robots

SORS：一种模块化、高保真度的软机器人模拟器

Manuel Mekkattu, Mike Y. Michelis, Robert K. Katzschmann

机构 * Soft Robotics Lab, D-MAVT, ETH Zurich（软机器人实验室，D-MAVT，苏黎世联邦理工学院） 纠错

AI总结 SORS是一种模块化、高保真的软机器人模拟器，通过能量基框架和约束非线性优化，实现对软机器人复杂行为的高精度建模与验证。

Comments This work has been submitted to the IEEE for possible publication. Code and data are available at github.com/srl-ethz/sors

Rewis3d: Reconstruction Improves Weakly-Supervised Semantic Segmentation

Rewis3d：重建提升弱监督语义分割

Jonas Ernst, Wolfgang Boettcher, Lukas Hoyer, Jan Eric Lenssen, Bernt Schiele

机构 * Saarland University（萨尔兰大学） ； Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 Rewis3d通过利用3D重建作为辅助监督信号，提升弱监督语义分割的性能，优于现有方法2-7%。

FedSCS-XGB -- Federated Server-centric surrogate XGBoost for continual health monitoring

FedSCS-XGB -- 联邦服务器中心化替代XGBoost用于持续健康监测

Felix Walger, Mehdi Ejtehadi, Anke Schmeink, Diego Paez-Granados

机构 * Data Analytics (INDA) RWTH Aachen University Aachen, Germany ； Spinal Cord Injury Artificial Intelligence (SCAI) Lab ETH Zürich \& Swiss Paraplegic Research (SPF) Nottwil, Switzerland 纠错

AI总结 FedSCS-XGB通过联邦服务器中心化替代XGBoost实现持续健康监测，匹配集中式性能并保留XGBoost结构优势。

Comments Submitted to IEEE EMBC 2026

Agnostic learning in (almost) optimal time via Gaussian surface area

在几乎最优时间内实现无偏学习

Lucas Pesenti, Lucas Slot, Manuel Wiedmer

机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 本研究改进了无偏学习的复杂性界，通过证明在统计查询模型中多项式阈值函数的近似次数为~O(Γ²/ε²)，并给出了近最优的复杂性界。

Comments 20 pages

MOSIV: Multi-Object System Identification from Videos

MOSIV：从视频中多物体系统识别

Chunjiang Liu, Xiaoyuan Wang, Qingran Lin, Albert Xiao, Haoyu Chen, Shizheng Wen, Hao Zhang, Lu Qi, Ming-Hsuan Yang, Laszlo A. Jeni, Min Xu, Yizhou Zhao

机构 * CMU（卡内基梅隆大学） ； Georgia Tech（佐治亚理工学院） ； Harvard（哈佛大学） ； ETH Zurich（苏黎世联邦理工学院） ； UIUC（伊利诺伊大学香槟分校） ； Insta360 ； UC Merced（加州大学默塞德分校） 纠错

AI总结 MOSIV通过从视频中导出的几何目标直接优化连续材料参数，提升多物体系统识别的接地准确性和模拟保真度。

Comments ICLR 2026

Transducing Language Models

语言模型的转化

Vésteinn Snæbjarnarson, Samuel Kiegeland, Tianyu Liu, Reda Boumasmoud, Ryan Cotterell, Tim Vieira

机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Copenhagen（哥本哈根大学） ； CHI-FRO 纠错

AI总结 本文提出了一种基于确定性字符串到字符串转换的通用语言模型框架，通过有限状态机实现对不同输出格式的适应性转换。

Merging Memory and Space: A State Space Neural Operator

融合记忆与空间：一种状态空间神经算子

Nodens Koren, Samuel Lanthaler

机构 * Department of Computer Science ETH Zürich（计算机科学系 高等理工大学苏黎世分校） ； Faculty of Mathematics University of Vienna（数学系 维也纳大学） 纠错

AI总结 本文提出了一种状态空间神经算子，通过自适应阻尼和可学习频率调制机制，实现高效捕捉PDE长程依赖性，并在多种PDE基准测试中取得最佳性能。

DVD-Quant: Data-free Video Diffusion Transformers Quantization

DVD-Quant: 数据无依赖的视频扩散变换器量化

Zhiteng Li, Hanxuan Li, Junyi Wu, Kai Liu, Haotong Qin, Linghe Kong, Guihai Chen, Yulun Zhang, Xiaokang Yang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 DVD-Quant通过无数据量化框架实现视频DiT模型的高效量化，提升运行速度并保持视觉质量。

Comments Code and models will be available at https://github.com/lhxcs/DVD-Quant

FindAnything: Open-Vocabulary and Object-Centric Mapping for Robot Exploration in Any Environment

FindAnything: 任意环境中的开放词汇和以对象为中心的映射用于机器人探索

Sebastián Barbas Laina, Simon Boche, Sotiris Papatheodorou, Simon Schaefer, Jaehyung Jung, Helen Oleynikova, Stefan Leutenegger

机构 * Technical University of Munich（技术大学慕尼黑） ； School of Computation, Information and Technology（计算、信息与技术学院） ； ETH Zurich（苏黎世联邦理工学院） ； Department of Computing（计算学院） ； Imperial College London（伦敦帝国理工学院） ； University of Patras（帕特拉大学） ； Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） 纠错

AI总结 FindAnything通过整合视觉语言信息，实现了大规模未知环境中高效、内存友好的开放词汇映射，适用于机器人探索任务。

Comments 11 pages, 5 figures