ETH Zurich（苏黎世联邦理工学院）

StereoSpace: Depth-Free Synthesis of Stereo Geometry via End-to-End Diffusion in a Canonical Space

StereoSpace：通过端到端扩散在规范空间中实现无深度的立体几何合成

Tjark Behrens, Anton Obukhov, Bingxin Ke, Fabio Tosi, Matteo Poggi, Konrad Schindler

机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Bologna（博洛尼亚大学） ； HUAWEI Bayer Lab（华为贝加尔实验室） 纠错

AI总结 StereoSpace通过端到端扩散模型在规范空间中实现无深度的立体几何合成，采用视角条件化方法，无需显式深度或变形，通过端到端生成对应关系和填补遮挡区域，提升立体生成的清晰度和鲁棒性。

Comments CVPR 2026 Findings. Project page: https://hf.co/spaces/prs-eth/stereospace

Faithfulness-Aware Uncertainty Quantification for Fact-Checking the Output of Retrieval Augmented Generation

基于事实性的不确定性量化用于验证检索增强生成的输出

Ekaterina Fadeeva, Aleksandr Rubashevskii, Dzianis Piatrashyn, Roman Vashurin, Shehzaad Dhuliawala, Artem Shelmanov, Timothy Baldwin, Preslav Nakov, Mrinmaya Sachan, Maxim Panov

机构 * ETH Zürich（苏黎世联邦理工学院） ； MBZUAI（穆斯林人工智能研究所） 纠错

AI总结 本文提出FRANQ方法，通过不同不确定性量化技术区分事实性和检索忠实性，提升RAG输出的事实性检测准确性。

PiGGO: Physics-Guided Learnable Graph Kalman Filters for Virtual Sensing of Nonlinear Dynamic Structures under Uncertainty

PiGGO：用于在不确定性下的非线性动态结构虚拟传感的物理引导可学习图卡尔曼滤波器

Marcus Haywood-Alexander, Gregory Duthé, Eleni Chatzi

机构 * Department of Civil, Environmental and Geomatic Engineering, ETH Zürich（土木、环境与地理工程系，苏黎世联邦理工学院） ； Future Resilient Systems（未来韧性系统） 纠错

AI总结 本文提出PiGGO框架，结合物理引导的图神经ODE与扩展卡尔曼滤波，实现非线性动态结构的在线虚拟传感和不确定性感知状态估计，优于传统方法和开环图神经模型。

FloatSOM: GPU-Accelerated, Distributed, Topology-Flexible Self-Organizing Maps

FloatSOM：GPU加速、分布式、拓扑灵活的自组织映射

Tony Xu, Sarah Klamt, Katherine Turner, Anne Brustle, Felix Marsh-Wakefield, Givanna Putri

机构 * John Curtin School of Medical Research, Australian National University（澳大利亚国立大学约翰·库廷医学研究学院） ； Department of Information Technology and Electrical Engineering, ETH Zürich（苏黎世联邦理工学院信息科技与电气工程系） ； Mathematical Data Science Centre, Australian National University（澳大利亚国立大学数学数据科学中心） ； Walter and Eliza Hall Institute（沃尔特和伊丽莎白·霍尔研究所） 纠错

AI总结 FloatSOM通过多GPU执行、内存盘流式传输和新型拓扑结构，提升了大规模自组织映射的性能与效率，降低量化误差并实现高吞吐量分布式训练。

Momentum-Conserving Graph Neural Networks for Deformable Objects

动量守恒图神经网络用于变形物体

Jiahong Wang, Logan Numerow, Stelian Coros, Christian Theobalt, Vahid Babaei, Bernhard Thomaszewski

机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； ETH Zürich（苏黎世联邦理工学院） ； University of Bonn（波恩大学） ； Fraunhofer Institute for Algorithms and Scientific Computing（弗劳恩霍夫算法与科学计算研究所） 纠错

AI总结 本文提出MomentumGNN，通过构造性跟踪动量，解决传统GNN在预测变形物体动量守恒时的不足，采用物理导向损失进行无监督训练，在关键场景中表现更优。

Comments Accepted to 3DV 2026