ETH Zurich（苏黎世联邦理工学院）

MCGS-SLAM: A Multi-Camera SLAM Framework Using Gaussian Splatting for High-Fidelity Mapping

MCGS-SLAM：一种基于高斯点划的多相机SLAM框架用于高保真的地图构建

Zhihao Cao, Hanyu Wu, Li Wa Tang, Zizhou Luo, Wei Zhang, Marc Pollefeys, Zihan Zhu, Martin R. Oswald

机构 * Department of Mathematics, ETH Zurich（苏黎世联邦理工学院数学系） ； Department of Mechanical and Process Engineering, ETH Zurich（苏黎世联邦理工学院机械与工艺工程系） ； Department of Informatics, University of Zurich（苏黎世大学信息系） ； Institute for Photogrammetry, University of Stuttgart（斯图加特大学摄影测量研究所） ； Computer Vision and Geometry Group, ETH Zurich（苏黎世联邦理工学院计算机视觉与几何组） ； Microsoft Spatial AI Lab（微软空间AI实验室） ； Computer Vision Research Group, University of Amsterdam（阿姆斯特丹大学计算机视觉研究组） 纠错

AI总结 MCGS-SLAM通过多相机和高斯点划技术实现高保真的SLAM，提供精确轨迹和逼真重建，优于单目方法。

Comments Accepted to IEEE International Conference on Robotics and Automation (ICRA) 2026

Towards Lightweight Adaptation of Speech Enhancement Models in Real-World Environments

面向真实环境的语音增强模型轻量级适应

Longbiao Cheng, Shih-Chii Liu

机构 * Institute of Neuroinformatics, University of Zurich（神经信息学研究所，苏黎世大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本研究提出了一种轻量级框架，通过自监督训练更新低秩适配器，实现语音增强模型在真实环境中的高效适应，提升了模型在复杂噪声条件下的鲁棒性。

Comments Accepted to ICASSP 2026

How Well Do Multimodal Models Reason on ECG Signals?

多模态模型在心电图信号上的推理能力如何？

Maxwell A. Xu, Harish Haresamudram, Catherine W. Liu, Patrick Langer, Jathurshan Pradeepkumar, Wanting Mao, Sunita J. Ferns, Aradhana Verma, Jimeng Sun, Paul Schmiedmayer, Xin Liu, Daniel McDuff, Emily B. Fox, James M. Rehg

机构 * University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Rush University（拉什大学） ； ETH Zurich（苏黎世联邦理工学院） ； St. Christopher's Hospital for Children（圣克里斯opher儿童医院） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Google Inc（谷歌公司） 纠错

AI总结 本文提出了一种评估多模态模型在ECG信号上推理能力的框架，通过感知和演绎两个方面验证模型的逻辑和模式识别能力。

Graph Neural Model Predictive Control for High-Dimensional Systems

图神经网络模型预测控制用于高维系统

Patrick Benito Eberhard, Luis Pabon, Daniele Gammelli, Hugo Buurmeijer, Amon Lahr, Mark Leone, Andrea Carron, Marco Pavone

机构 * Institute for Dynamic Systems and Control, ETH Zürich（瑞士苏黎世联邦理工学院动态系统与控制研究所） ； Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空与航天工程系） ； NVIDIA Research（NVIDIA研究） 纠错

AI总结 本文提出基于图神经网络和结构利用的模型预测控制方法，用于高维系统的实时控制，实现亚厘米级精度的参考跟踪和有效障碍物避障。

Meta-RL Induces Exploration in Language Agents

元强化学习诱导语言智能体的探索

Yulun Jiang, Liangze Jiang, Damien Teney, Michael Moor, Maria Brbic

机构 * EPFL（苏黎世联邦理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； Idiap Research Institute（Idiap研究机构） 纠错

AI总结 LaMer通过元强化学习框架提升语言智能体的探索能力，显著提高多任务性能并增强泛化能力。

Comments ICLR 2026

Dual Randomized Smoothing: Beyond Global Noise Variance

双重随机平滑：超越全局噪声方差

Chenhao Sun, Yuhao Mao, Martin Vechev

机构 * Department of Computer Science, ETH Zürich（计算机科学系，苏黎世联邦理工学院） 纠错

AI总结 本文提出双随机平滑框架，通过输入依赖的噪声方差提升对抗鲁棒性，在多种数据集上均取得优于传统方法的性能。

Comments ICLR'26

NaviTrace: Evaluating Embodied Navigation of Vision-Language Models

NaviTrace: 评估视觉-语言模型的具身导航

Tim Windecker, Manthan Patel, Moritz Reuss, Richard Schwarzkopf, Cesar Cadena, Rudolf Lioutikov, Marco Hutter, Jonas Frey

机构 * Robotic Systems Lab, ETH Zurich（苏黎世联邦理工学院机器人系统实验室） ； Intuitive Robots Lab, KIT（卡尔斯鲁厄理工学院直观机器人实验室） ； FZI Research Center for Information Technology（弗劳恩霍夫信息技术研究中心） 纠错

AI总结 NaviTrace通过语义感知轨迹评分评估视觉-语言模型的具身导航能力，揭示了模型在空间定位和目标定位方面的不足。

Comments 11 pages, 6 figures, with appendix, accepted to ICRA 2026

QuantSparse: Comprehensively Compressing Video Diffusion Transformer with Model Quantization and Attention Sparsification

QuantSparse: 通过模型量化和注意力稀疏化全面压缩视频扩散变换器

Weilun Feng, Chuanguang Yang, Haotong Qin, Mingqiang Wu, Yuqi Li, Xiangqi Li, Zhulin An, Libo Huang, Yulun Zhang, Michele Magno, Yongjun Xu

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； ETH Zürich（苏黎世联邦理工学院） ； City College of New York, City University of New York, USA（纽约城市学院，纽约城市大学，美国） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 QuantSparse通过结合模型量化和注意力稀疏化，实现视频扩散变换器的高效压缩，提升性能并减少存储与推理时间。

Comments Accepted by ICLR 2026

Quantized Visual Geometry Grounded Transformer

量化视觉几何基础变换器

Weilun Feng, Haotong Qin, Mingqiang Wu, Chuanguang Yang, Yuqi Li, Xiangqi Li, Zhulin An, Libo Huang, Yulun Zhang, Michele Magno, Yongjun Xu

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院人工智能安全国家重点实验室，计算技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； ETH Zürich（苏黎世联邦理工学院） ； City College of New York, City University of New York, USA（纽约城市学院，纽约城市大学，美国） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文提出QuantVGGT，首个针对大规模VGGT的量化框架，通过双平滑细粒度量化和噪声过滤多样化采样技术，在保持高精度的同时实现显著的内存减少和加速。

Comments Accepted by ICLR 2026

S$^2$Q-VDiT: Accurate Quantized Video Diffusion Transformer with Salient Data and Sparse Token Distillation

S$^2$Q-VDiT: 精确量化视频扩散变换器与显著数据和稀疏令牌蒸馏

Weilun Feng, Haotong Qin, Chuanguang Yang, Xiangqi Li, Han Yang, Yuqi Li, Zhulin An, Libo Huang, Michele Magno, Yongjun Xu

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 S$^2$Q-VDiT通过显著数据选择和稀疏令牌蒸馏提升视频扩散变换器的量化性能，实现无损压缩和加速推理。

Comments Accepted by NeurIPS 2025

LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks

LoRA-Ensemble：高效不确定性建模用于自注意力网络

Dominik J. Mühlematter, Michelle Halbheer, Alexander Becker, Dominik Narnhofer, Helge Aasen, Konrad Schindler, Mehmet Ozgur Turkoglu

机构 * ETH Zurich（苏黎世联邦理工学院） ； Agroscope（农业生态观测机构） 纠错

AI总结 LoRA-Ensemble通过低秩适应方法实现自注意力网络的高效不确定性建模，优于现有隐式集合方法并达到显式集合的准确度水平。

Journal ref Transactions on Machine Learning Research, 2026