高校专区
利用紧凑高斯体学习全局运动的前馈式4D重建
机构 * KAIST AI（韩国科学技术院人工智能研究所） ； ETH Zürich, ETH AI Center（苏黎世联邦理工学院，ETH人工智能中心） ； Sony AI（索尼人工智能） ； Sony Group Corporation（索尼集团）
AI总结 提出C4G框架，通过紧凑的可学习高斯查询令牌和视频扩散模型增强渲染，实现无需相机位姿的前馈式4D动态场景重建，显著减少高斯数量并提升运动建模鲁棒性。
Comments Project Page: see https://cvlab-kaist.github.io/C4G
基准测试与增强文本到图像模型以生成早期算术教育中的视觉表示
机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； ETH AI Center（ETH人工智能中心）
AI总结 针对早期算术教育中的方程到视觉生成任务，构建了E2V-Bench基准并评估了现有T2I模型，发现其在计数和关系结构上存在严重错误，进而探索了基准引导的增强策略。
前沿对冲：基于少量样本学习新任务
机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； Department of Computer Science and Engineering, UC San Diego（南加州大学计算机科学与工程系）
AI总结 针对新任务样本少的问题，利用弱单调性假设，通过转移学习和模型选择聚合在模型前沿进行对冲，实现可证明的统计增益。
语音理解的统一可复现实验框架
机构 * X-LANCE Lab, Department of Computer Science and Engineering, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系X-LANCE实验室） ； MoE Key Lab of Artificial Intelligence（人工智能MOE重点实验室） ； Jiangsu Key Lab of Language Computing（江苏省语言计算重点实验室） ； AISpeech Ltd（AISpeech有限公司） ； ETH Zürich（苏黎世联邦理工学院） ； Nanjing University（南京大学） ； Hangzhou Dianzi University（杭州电子科技大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 提出SURE框架，通过标准化预测格式、归一化和评分，以及代理辅助的训练转换流程，提高语音理解模型在部署场景下的可比性和可复现性。
Comments This paper is submitted to INTERSPEECH 2026
多样性至关重要：重新审视视觉-语言模型中的测试时计算
机构 * ETH Zürich（苏黎世联邦理工学院） ； Shanghai Jiao Tong University（上海交通大学） ； EPFL（苏黎世联邦理工学院）
AI总结 针对视觉-语言模型（VLM）中测试时计算（TTC）策略应用不足的问题，提出基于预测熵的ETTC方法，通过利用模型间的置信度差异提升集成性能，理论证明并实验验证其优于多数投票和最佳单模型。
Comments ICML 2026
通过序列微调进行约束流优化以用于分子设计
机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； Institute of Chemical and Bioengineering, Department of Chemistry and Applied Biosciences, ETH Zurich（苏黎世联邦理工学院化学与生物工程研究所） ； ETH AI Center（苏黎世联邦理工学院人工智能中心）
AI总结 提出约束流优化（CFO）算法，通过将约束生成优化问题转化为序列微调，在分子设计中平衡奖励最大化与约束满足。
Comments ICML 2026
重新审视填充Transformer的表达能力：哪些架构选择重要，哪些不重要
机构 * ETH Zürich（苏黎世联邦理工学院） ； Allen Institute for AI（人工智能研究所）
AI总结 本文通过连接布尔电路，系统研究了填充Transformer的表达能力，发现数值精度和模型深度是影响表达能力的主要因素，而注意力类型、模型宽度和均匀性等架构选择对表达能力影响不大。
CoMo3R-SLAM: 面向室外多智能体系统的协作式单目稠密SLAM与学习型3D重建先验
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Liverpool（利物浦大学） ； Harbin Engineering University（哈尔滨工程大学） ； University of Ottawa（Ottawa大学） ； Shanghai Jiao Tong University（上海交通大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 提出首个协作式单目稠密RGB SLAM系统CoMo3R-SLAM，利用学习的前馈3D重建先验实现室外多智能体地图构建，无需深度传感器即可生成全局一致的度量地图。
VR-DAgger: 用于灵巧数据收集和不确定性引导的在线策略校正的沉浸式VR
机构 * Robotics Systems Lab（机器人系统实验室） ； ETH Zürich（苏黎世联邦理工学院） ； ETH AI Center（ETH人工智能中心） ； ETH Augmented Reality Research Lab（ETH增强现实研究实验室） ； ETH Mobility Initiative（ETH移动性倡议） ； ANYbotics AG（ANYbotics公司） ； Swiss Federal Railways（瑞士联邦铁路）
AI总结 提出VR-DAgger框架，通过VR应用进行灵巧遥操作和数据收集，利用MC Dropout不确定性评分选择关键失败片段进行在线校正，在灵巧操作任务上相比行为克隆提升高达23个百分点，并减少约40%的样本收集时间。
Déjà View: 用于多视图3D重建的循环Transformer
机构 * NVIDIA ； University of Modena and Reggio Emilia, AImageLab（摩德纳和雷焦艾米利亚大学，AImageLab） ； University of Toronto, Vector Institute（多伦多大学，向量研究所） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 提出DéjàView模型，通过循环应用单个Transformer块进行迭代细化，以更少的参数和计算量在多个3D重建基准上达到或超越大规模前馈模型。
Comments Project Page: https://research.nvidia.com/labs/dvl/projects/dvlt
G-STAR: 端到端全局说话人跟踪属性识别
机构 * Nanjing University（南京大学） ； Shanghai Jiao Tong University（上海交通大学） ； Central Media Technology Institute, Huawei（华为中央媒体技术研究院） ； Shenzhen Research Institute of Big Data（深圳大数据研究院） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 提出G-STAR框架，通过缓存条件说话人跟踪模块与Speech-LLM转录骨干耦合，实现长时重叠多说话人语音的端到端说话人属性识别，支持组件优化和联合训练，在局部和全局评估中均表现优异。
Comments submitted to Emnlp 2026
SALAAD: 基于ADMM的稀疏低秩适配用于大语言模型推理
机构 * ETH Zurich（苏黎世联邦理工学院） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； École polytechnique fédérale de Lausanne (EPFL)（洛桑联邦理工学院（EPFL））
AI总结 提出SALAAD框架，通过增广拉格朗日方法在训练中诱导稀疏低秩结构，实现模型容量灵活控制，降低部署内存且无需重训。
使用Transformer进行上下文无关语言识别
机构 * ETH Zürich（苏黎世联邦理工学院） ； Boston University（波士顿大学） ； Allen Institute for AI（人工智能研究院）
AI总结 本文证明循环Transformer通过O(log N)层和O(N^6)填充符号可识别所有上下文无关语言，并针对无歧义子类将填充需求降至O(N^3)。
用奇异值集合量化基础模型的不确定性
机构 * ETH Zürich, Photogrammetry \& Remote Sensing
AI总结 提出奇异值集成（SVE）方法，通过冻结奇异向量并仅训练每个成员的奇异值，以极小的参数开销实现隐式集成，从而有效量化基础模型的不确定性。
Comments Accepted at ICML 2026 (camera-ready version)
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈