ETH Zurich（苏黎世联邦理工学院）

LIME: Learning Intent-aware Camera Motion from Egocentric Video

LIME: 从自我中心视频学习意图感知的相机运动

Boyang Sun, Jiajie Li, Yung-Hsu Yang, Chenyangguang Zhang, Tim Engelbracht, Sunghwan Hong, Cesar Cadena, Marc Pollefeys, Hermann Blum

机构 * ETH Zurich（苏黎世联邦理工学院） ； Microsoft（微软） ； University of Bonn（波恩大学） 纠错

AI总结 提出LIME模型，从自我中心视频中挖掘多意图相机运动监督，结合自回归观察增益输出与连续流匹配位姿头，实现语言条件相机运动生成。

Object-centric LeJEPA

以对象为中心的LeJEPA

Jakob Geusen, Ender Konukoglu

机构 * Biomedical Image Computing Group, ETH Zurich（苏黎世联邦理工学院生物医学图像计算组） 纠错

AI总结 提出以对象为中心的LeJEPA方法，通过使用SAM提供的对象掩码，在对象级别对齐表示，避免场景级自监督方法的数据低效和不稳定性，在跟踪、分类、分割和重识别任务上优于图像级LeJEPA。

Choreographing the Way of Water: A Computational Framework for Aquatic Robotic Art

编排水之道：水生机器人艺术的计算机框架

Aswin Ramachandran, Christopher Golling, Sebastian Burmester, Noa Sendlhofer, Jan Kamm, Ruiheng Jiang, Raffaello D'Andrea

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 提出水生机器人编排框架Way of Water，通过浏览器式编舞工具、序列凸规划轨迹生成和模型预测控制，实现非编程艺术家对水面船队的音乐响应式编舞，并在苏黎世湖和威尼斯双年展验证。

Comments Video: https://youtu.be/G4cM6xbG7PA

Multi-Resolution Flow Matching: Training-Free Diffusion Acceleration via Staged Sampling

多分辨率流匹配：通过分阶段采样实现无训练扩散加速

Xingyu Zheng, Xianglong Liu, Yifu Ding, Weilun Feng, Junqing Lin, Jinyang Guo, Haotong Qin

机构 * State Key Laboratory of Complex & Critical Software Environment, Beihang University（北京航空航天大学复杂关键软件环境国家重点实验室） ； School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院） ； Nanyang Technological University（南洋理工大学） ； State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所人工智能安全国家重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； University of Science and Technology of China（中国科学技术大学） ； School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 提出MrFlow，一种基于分阶段低到高分辨率管道的无训练多分辨率加速策略，利用低分辨率采样减少计算量，像素空间超分辨率和高频重采样保持质量，实现10倍加速且质量损失小于1%。

Comments The code is available at https://github.com/Xingyu-Zheng/MrFlow

SE(2) Navigation Mesh

SE(2)导航网格

Shuyang Shi, Kaixian Qu, Changan Chen, Ines Kast, Yuntao Ma, Marco Hutter

机构 * 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SE(2)导航网格，通过编码偏航依赖的可通行性，支持非圆形机器人在复杂多层环境中的高效路径规划，并开发了A*-拉绳-A*分层路径搜索策略。

Comments Project page: https://se2-navmesh.github.io/

Aggregation with Exponential Weights is Optimal in Expectation

指数权重聚合在期望意义下是最优的

Mikael Møller Høgsgaard, Patrick Rebeschini, Tobias Wegel

机构 * Department of Statistics, University of Oxford（统计系，牛津大学） ； Department of Computer Science, ETH Zurich（计算机科学系，苏黎世联邦理工学院） 纠错

AI总结 本文证明指数权重聚合（AEW）估计器在平方损失下，当温度足够大时，期望超额风险达到极小极大最优，解决了Lecué和Mendelson（2013）提出的开放问题。

Learning Locomotion on Discrete Terrain via Minimal Proximity Sensing

通过最小接近感知学习离散地形上的运动

Jiale Fan, Connor Flynn, Tianao Xu, Junzhe He, Andrei Cramariuc, Marco Hutter, Robert Baines

机构 * 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 本研究在四足机器人足部嵌入低成本红外接近传感器，提供预接触反馈，结合强化学习使机器人能预测地形不连续性，显著提升离散地形穿越鲁棒性。

Comments Accepted to IROS 2026

Learning-based Multi-agent Race Strategies in Formula 1

基于学习的F1多智能体比赛策略

Giona Fieni, Joschua Wüthrich, Marc-Philippe Neumann, Christopher H. Onder

机构 * Institute for Dynamic Systems and Control, ETH Zürich（动态系统研究所，苏黎世联邦理工学院） 纠错

AI总结 提出一种强化学习方法优化F1多智能体比赛策略，通过交互模块和自对弈训练使智能体自适应对手行为，在能量管理、轮胎退化、空气动力学和进站决策上取得稳健表现。