ETH Zurich（苏黎世联邦理工学院）

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/

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。