ETH Zurich（苏黎世联邦理工学院）

Reinforcement Learning-Based Control for an Inline Skating Humanoid Robot

基于强化学习的直排轮滑人形机器人控制

Ethan Marot, Thomas Bi, Clemens Schwarke, Victor Klemm, Marco Hutter, Raffaello D'Andrea

机构 * Institute for Dynamic Systems and Control, ETH Zurich（苏黎世联邦理工学院动态系统与控制研究所） ； Robotic Systems Lab, ETH Zurich（苏黎世联邦理工学院机器人系统实验室） 纠错

AI总结 提出一种强化学习控制策略，使配备被动直排轮滑鞋的人形机器人实现动态、高效的轮滑运动，无需人类数据或模仿学习，相比行走能耗降低50%，并零样本迁移到真实硬件。

Comments 8 pages, 7 figures, 7 tables, Accepted at IROS 2026

RAISE: LLM-based Automated Heuristic Design with Robust Adversary Instance Search

RAISE：基于LLM的鲁棒对抗实例搜索自动化启发式设计

Fei Liu, Alessio Figalli, Patrick Owen, Nicola Serra

机构 * University of Zurich（苏黎世大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 提出RAISE框架，通过将约束最坏情况实例搜索集成到LLM进化循环中，解决现有LLM自动化启发式设计在分布偏移下性能崩溃的问题，在多个在线调度问题上验证了鲁棒性。

AugSplat: Radiance Field-Informed Gaussian Splatting for Sparse-View Settings

AugSplat: 基于辐射场信息的高斯泼溅用于稀疏视图设置

Lorenzo Lazzaroni, Riccardo Bollati, Daniel Barath, Michael Niemeyer, Keisuke Tateno

机构 * Google（谷歌） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 针对稀疏视图下高斯泼溅对初始几何敏感的问题，提出AugSplat，利用辐射场合成新视角图像作为辅助监督，提升重建质量并保持实时渲染。

Comments 9 pages, 5 figures

Editing Everything Everywhere All at Once

一次性编辑所有内容

Fabio Quattrini, Carmine Zaccagnino, Enis Simsar, Marta Tintoré Gazulla, Rita Cucchiara, Alessio Tonioni, Silvia Cascianelli

机构 * University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学） ； ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌） 纠错

AI总结 提出MICE方法，通过修改联合注意力机制中的加性偏置来调控多实例编辑中的交互，实现无需训练的多实例图像编辑，在保持全局一致性的同时增强属性绑定。

Comments Accepted at ECCV 2026

SkillSpotter: Pose-Aware Multi-View Skilled Action Detection and Grading in Ego-Exo Videos

SkillSpotter: 姿态感知的多视角熟练动作检测与分级在自我-外部视频中

Björn Braun, Christian Holz

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

AI总结 针对自我-外部视频中熟练动作检测与分级任务，提出SkillSpotter，通过自适应时间抑制、门控3D身体姿态融合和双向跨视角注意力模块，显著提升检测与分级性能。

Comments Accepted for publication at European Conference on Computer Vision (ECCV)

Separation Capacity of Scattering Networks

散射网络的分离容量

Konstantin Häberle, Helmut Bölcskei

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文通过Cover的函数计数理论，扩展了分离容量的概念，分析了散射网络作为特征提取器的分离容量，并提供了网络设计见解。

Comments 36 pages, 10 figures

Direction-Magnitude Decomposition for Low-Rank Matrix Optimization: Faster Convergence and Saddle-to-saddle Dynamics

低秩矩阵优化的方向-幅度分解：更快收敛与鞍点到鞍点动力学

Yudong Wei, Liang Zhang, Bingcong Li, Niao He

机构 * Department of Mathematics, ETH Zurich（苏黎世联邦理工学院数学系） ； Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） 纠错

AI总结 提出方向-幅度分解（DMD）框架，将优化变量分解以提升效率，开发过参数化和递归两种方法，在矩阵分解中实现指数级加速收敛。

NeuralBoneReg: An Instance-Specific Label-Free Point Cloud-Based Method for Multi-Modal Bone Surface Registration

NeuralBoneReg：一种用于多模态骨表面注册的实例特定无标签点云方法

Luohong Wu, Matthias Seibold, Nicola A. Cavalcanti, Yunke Ao, Roman Flepp, Aidana Massalimova, Lilian Calvet, Philipp Fürnstahl

机构 * Research in Orthopedic Computer Science, Balgrist University Hospital, University of Zurich（骨科计算机科学研究所，巴尔格里斯大学医院，苏黎世大学） ； AI Center, ETH Zurich（人工智能中心，苏黎世联邦理工学院） 纠错

AI总结 提出NeuralBoneReg，一种自监督的基于点云的骨表面注册框架，通过隐式神经无符号距离场和MLP注册模块实现多模态数据间的鲁棒对齐，在多个数据集上达到或超越现有方法。

StreamEdit: Training-Free Video Editing via Few-Step Streaming Video Generation

StreamGVE: 无需训练的视频编辑通过少步流式视频生成

Guanlong Jiao, Chenyangguang Zhang, Jia Jun Cheng Xian, Zewei Zhang, Renjie Liao

机构 * The University of British Columbia（不列颠哥伦比亚大学） ； ETH Zürich（苏黎世联邦理工学院） ； McMaster University（麦马斯特大学） ； Vector Institute（向量研究所） ； Canada CIFAR AI Chair（加拿大 CIFAR 人工智能主席） 纠错

AI总结 本文提出StreamGVE，一种基于噪声到数据视角的视频编辑方法，通过引入双分支快速采样和自注意力桥接以及交叉注意力接地/增强，实现了高效的视频编辑，能够在少步设置中优于现有方法。

Comments ECCV 2026. Project Page: https://dsl-lab.github.io/StreamEdit/

TS-Haystack: A Multi-Task Retrieval Benchmark for Long-Context Time-Series Reasoning

TS-Haystack：一种用于长上下文时间序列推理的多任务检索基准

Nicolas Zumarraga, Thomas Kaar, Ning Wang, William Tennien, Alpay Hasanli, Max Rosenblattl, Fan Wu, Kevin Riehl, Maxwell A. Xu, Markus Kreft, Kevin O'Sullivan, Elgar Fleisch, Paul Schmiedmayer, Robert Jakob, Patrick Langer

机构 * Agentic Systems Lab, ETH Zurich（1 非常规系统实验室，苏黎世联邦理工学院） ； Stanford University（2 斯坦福大学） ； Traffic Engineering Group, Institute for Transport Planning and Systems, ETH Zurich（3 交通工程组，交通规划与系统研究所，苏黎世联邦理工学院） ； University of Illinois Urbana-Champaign（4 印第安纳大学厄巴纳-香槟分校） ； Google（5 谷歌） ； Centre for Digital Health Interventions, ETH Zurich（6 数字健康干预中心，苏黎世联邦理工学院） ； Centre for Digital Health Interventions, University of St. Gallen（7 数字健康干预中心，圣加尔登大学） 纠错

AI总结 本文提出TS-Haystack基准，评估长上下文时间序列推理能力，发现现有TSLMs存在长上下文退化问题，代理检索框架在9/10任务中表现优异。

Comments Workshop version of this paper published at ICLR TSALM 2026. Benchmark generation code and datasets: https://github.com/AI-X-Labs/TS-Haystack

TORA: Topological Representation Alignment for 3D Shape Assembly

TORA：基于拓扑的3D形状组装表示对齐

Nahyuk Lee, Zhiang Chen, Marc Pollefeys, Sunghwan Hong

机构 * Independent Researcher（独立研究员） ； ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（ETH人工智能中心） 纠错

AI总结 TORA通过拓扑优先的表示对齐框架，利用预训练3D编码器的关联结构提升3D形状组装的对齐效果，通过余弦匹配和CKA损失增强拓扑对齐，实现更快收敛和更高精度。

Comments Accepted to ECCV 2026

Pretrained Video Models as Differentiable Physics Simulators for Urban Wind Flows

预训练视频模型作为可微物理模拟器用于城市风流

Janne Perini, Rafael Bischof, Moab Arar, Ayça Duran, Michael A. Kraus, Siddhartha Mishra, Bernd Bickel

机构 * ETH Zurich（苏黎世联邦理工学院） ； Tel Aviv University（特拉维夫大学） ； TU Darmstadt（达姆施塔特工业大学） 纠错

AI总结 本文提出WinDiNet，一种预训练视频扩散模型，用于快速模拟城市风流，通过反向传播优化建筑布局以提升风安全性和行人舒适度。

Prompting Robot Teams with Natural Language

用自然语言提示机器人团队

Eduardo Sebastián, Nicolas Pfitzer, Ajay Shankar, Amanda Prorok

机构 * Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系） ； Department of Mechanical and Process Engineering, ETH Zurich（苏黎世联邦理工学院机械与过程工程系） 纠错

AI总结 提出利用语言模型将高层任务分解为子任务，并蒸馏为循环神经网络（RNN）以支持多机器人团队的去中心化实时执行，通过图神经网络控制策略实现协作。

Comments This paper has been accepted for publication at IEEE Robotics and Automation Letters. Please, when citing the paper, refer to the official version

A Scalable Whole-body Motion Transfer via Implicit Kinodynamic Motion Retargeting

可扩展的全身运动迁移：基于隐式动力学运动重定向

Xingyu Chen, Hanyu Wu, Sikai Wu, Mingliang Zhou, Diyun Xiang, Haodong Zhang, Yangchen Zhou, Yukang Gao, Yi Gu, Renjing Xu

机构 * HKUST(GZ)（香港科技大学（广州）） ； ETH Zurich（苏黎世联邦理工学院） ； Zhejiang University（浙江大学） ； Xiaomi Robotics Lab（小米机器人实验室） 纠错

AI总结 提出隐式动力学运动重定向（IKMR），利用骨架图卷积双自编码器将人体与机器人运动映射到共享拓扑潜空间，结合物理信息精炼实现高速、鲁棒的运动数据转换，解决噪声与计算瓶颈。

Comments RSS 2026 Workshop. Webpage: https://cybercal.github.io/webpage.ikmr

One Shot vs. Iterative: Rethinking Pruning Strategies for Model Compression

一次性剪枝 vs. 迭代剪枝：重新思考模型压缩的剪枝策略

Mikołaj Janusz, Tomasz Wojnar, Yawei Li, Luca Benini, Kamil Adamczewski

机构 * Jagiellonian University（雅盖隆大学） ； ETH Zürich（苏黎世联邦理工学院） ； Wrocław University of Science and Technology（弗罗茨瓦夫科技大学） 纠错

AI总结 本文系统比较了一次性剪枝与迭代剪枝两种策略，发现一次性剪枝在低剪枝率下更有效，而迭代剪枝在高剪枝率下表现更好，并提出了混合方法。

When few labeled target data suffice: a theory of semi-supervised domain adaptation via fine-tuning from multiple adaptive starts

当少量标注目标数据足够：基于多自适应起点微调的半监督域适应理论

Wooseok Ha, Yuansi Chen

机构 * Department of Mathematical Sciences, KAIST（韩国科学技术院数学科学系） ； Department of Mathematics, ETH Zürich（苏黎世联邦理工学院数学系） 纠错

AI总结 本文在结构因果模型下研究半监督域适应，提出三种干预模型对应的最优方法及多自适应起点微调算法，证明目标标签复杂度仅依赖于干预维度而非环境维度。