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。