ETH Zurich（苏黎世联邦理工学院）

ARDY: Autoregressive Diffusion with Hybrid Representation for Interactive Human Motion Generation

ARDY：用于交互式人体运动生成的具有混合表示的自回归扩散

Kaifeng Zhao, Mathis Petrovich, Haotian Zhang, Tingwu Wang, Siyu Tang, Davis Rempe

机构 * NVIDIA（英伟达） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 研究旨在解决交互式应用中人体运动生成问题，提出ARDY框架，采用混合表示和两阶段自回归变压器去噪器，能通过在线文本提示和运动学约束实现高保真运动生成，经评估验证了有效性和实用性。

Comments ACM Transactions on Graphics (SIGGRAPH 2026)

FPGN: Redefining Ultra-Fast Programmable Gate-based Neural Acceleration with Differentiable LUTs

FPGN：用可微查找表重新定义基于超快速可编程门的神经加速

Jiawei Liang, Haotong Qin, Linfeng Du, Xingyu Liu, Shangkun Li, Hui Yu, Michele Magno, Xinyu Chen, Jiang Xu, Wei Zhang

机构 * HKUST（香港科技大学） ； ETH Zurich（苏黎世联邦理工学院） ； HKUST (GZ)（香港科技大学（广州）） 纠错

AI总结 研究旨在实现DNN纳秒级推理延迟，针对传统FPGA加速器局限，提出FPGN框架。通过硬件对齐可微公式、结构化拓扑和延迟驱动编译器，弥合差距。实验表明其相比其他加速器延迟降低205倍，LUT效率高30倍，且推理精度有竞争力。

Linear Attention Architectures: Mechanisms, Trade-offs, and Cross-Layer Routing

线性注意力架构：机制、权衡与跨层路由

Tommaso Cerruti, Tim Rieder, George Rowlands, Lingfeng Jin, Imanol Schlag

机构 * ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center, ETH Zurich（苏黎世联邦理工学院ETH人工智能中心） 纠错

AI总结 研究对softmax注意力和四种循环线性注意力架构比较，用通用符号表达机制差异。通过训练350M参数模型实验，发现不同架构在损失、吞吐量等方面表现不同，还引入评估跨层路由机制，如CLVR可降低DeltaNet和门控DeltaNet的最终验证损失。

Comments 20 pages, 6 figures, 8 tables. Code available at https://github.com/tommasocerruti/linear-attention-architectures

GrowFields: Compositional 4D Neural Fields for Topology-Changing Plant Growth

GrowFields：用于拓扑变化植物生长的组合式4D神经场

Joaquin Gajardo, Michele Volpi, Marko Mihajlovic, Siyu Tang, Lukas Roth, Sergey Prokudin

机构 * ETH Zürich（苏黎世联邦理工学院） ； Swiss Data Science Center（瑞士数据科学中心） ； Martin-Luther-Universität Halle-Wittenberg（马丁-路德-哈雷-维滕贝格大学） 纠错

AI总结 针对从稀疏纵向3D观测量化植物生长动力学的难题，提出GrowFields，将植物分解为器官并对齐到规范坐标系，学习共享神经变形场，在植物器官跟踪中表现优于现有表示。

Comments ECCV 2026 paper (main conference). v2 corrects the vertical guide lines in supplementary Figures 5-7. Project page and code available at https://joaquin-gajardo.github.io/growfields/