ETH Zurich（苏黎世联邦理工学院）

Continual-RL for Generalization in Autonomous Racing on the RoboRacer Platform

用于RoboRacer平台自主赛车中泛化的持续强化学习

Joel Siegert, Edoardo Ghignone, Michele Magno

机构 * Center for Project-Based Learning, D-ITET, ETH Zurich（基于项目的学习中心，分布式信息技术与电气工程学院，苏黎世联邦理工学院） 纠错

AI总结 针对现代机器人适应变化环境的挑战，提出基于持续反向传播的持续强化学习框架，仅用现实世界数据训练通用策略并微调超越经典控制器，还提出离线强化学习比较方法并进行模拟分析。

Comments 8 pages, conference

Head Avatars with Dynamic Explicit Hair

具有动态显式头发的头部头像

Vanessa Sklyarova, Haonan Chen, Berna Kabadayi, Tobias Kirschstein, Zicong Fan, Xi Wang, Gerard Pons-Moll, Matthias Nießner, Marc Pollefeys, Michael J. Black, Justus Thies

机构 * ETH Zürich（苏黎世联邦理工学院） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； Tübingen AI Center（图宾根人工智能中心） ； Technical University of Munich（慕尼黑工业大学） ； Technical University of Darmstadt（达姆施塔特工业大学） ； Microsoft（微软） 纠错

AI总结 该研究提出DynHair方法，用于跟踪和建模人类头部头像的动态头发。通过结构化3D高斯喷绘重建头像，利用基于头部角速度等的时间网络建模发丝动态变形，经联合优化获得可控头发动力学的动画头像，实验展现了最优性能。

Comments Project page: https://dynhair.is.tue.mpg.de/

Markerless Motion Capture in Routine Clinical Upper Limb Assessments: Validity and Insights Beyond Ordinal Scoring

常规临床上肢评估中的无标记运动捕捉：超越序数评分的有效性及见解

Tim Unger, Olivier Lambercy, Roger Gassert, Andreas R. Luft, R. James Cotton, Chris Easthope Awai

机构 * Lake Lucerne Institute（卢塞恩湖研究所） ； ETH Zurich（苏黎世联邦理工学院） ； Shirley Ryan AbilityLab（雪莉·瑞安能力实验室） ； Northwestern University（西北大学） 纠错

AI总结 研究评估临床常规ARAT评估中嵌入AI - 无标记运动捕捉能否准确重建上肢运动及产生有效运动学指标。通过对患者测试发现其生物力学重建准确稳健，运动学指标有特异性和敏感性，能补充序数评分。

Fast Fourier Convolutional GAN for 30 m Clear-Sky Land Surface Temperature Gap-Free Reconstruction

用于30米晴空陆地表面温度无间隙重建的快速傅里叶卷积生成对抗网络

Marwa Alfouly, Smajil Halilovic, Nils Bochow, Thomas Hamacher, Niklas Boers, Konrad Schindler

机构 * Technical University of Munich（慕尼黑工业大学） ； Helmholtz Centre for Polar and Marine Research, Alfred Wegener Institute（亥姆霍兹极地与海洋研究中心阿尔弗雷德·韦格纳研究所） ； Swiss Federal Institute of Technology Zurich (ETH Zurich)（瑞士联邦理工学院苏黎世分校） 纠错

AI总结 针对卫星LST数据因云层有间隙、重建难问题，提出多模态快速傅里叶卷积生成对抗网络，利用快速傅里叶卷积实现全局感受野，由卫星观测和SAR数据引导，能恢复大量缺失区域，重建效果好。

Comments 35 pages, 9 figures, Journal

LiteTopK: Exploiting the Curse of Dimensionality for a Fused Indexer-TopK Kernel in Long-Context Sparse Attention

LiteTopK：利用维度诅咒设计长上下文稀疏注意力中的融合索引器 - TopK 内核

Ziqi Yin, Jianyang Gao, Peiqi Yin, Jiangneng Li, Gao Cong

机构 * Nanyang Technological University（南洋理工大学） ； ETH Zurich（苏黎世联邦理工学院） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 研究针对现有 GPU 索引器 - TopK 内核效率低的问题，利用维度诅咒设计 LITETOPK 内核，通过采样估计得分范围划分候选结果桶，降低内存开销，在实际部署中加速 GLM 5.2 预填充阶段，提升了效率。

Tree-Based Formalization of Multi-Agent Complementarity in Human-AI Interactions

基于树的人机交互中多智能体互补性形式化

Andrea Ferrario

机构 * Institute of Biomedical Ethics and History of Medicine, University of Zurich（伦理与医学史研究所，苏黎世大学） ； SUPSI, Dalle Molle Institute for Artificial Intelligence (IDSIA)（SUPSI，达勒莫利人工智能研究所） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出一种基于树的形式化框架，通过有序智能体角色配置和平面二叉树表示人机交互协议，证明互补性在回归中可实现，但在分类中受限于局部聚合和损失函数的自然条件。

Comments 31 pages, 10 figures. Improved notation and added Figure 8 w.r.t. the original submission

MAGS-SLAM: Monocular Multi-Agent Gaussian Splatting SLAM for Geometrically and Photometrically Consistent Reconstruction

MAGS-SLAM：单目多智能体高斯点云SLAM用于几何和光度一致的重建

Zhihao Cao, Qi Shao, Shuhao Zhai, Jing Zhang, Anh Nguyen, Hesheng Wang, Baoru Huang

机构 * ETH Zurich（苏黎世联邦理工学院） ； Harbin Engineering University（哈尔滨工程大学） ； University of Liverpool（利物浦大学） ； University of Macau（澳门大学） ； University of Ottawa（多伦多大学） ； Wuhan University（武汉大学） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 MAGS-SLAM通过单目视觉实现多智能体高斯点云SLAM，无需RGB-D传感器即可完成几何和光度一致的场景重建，实验表明其跟踪精度和渲染质量可与现有RGB-D方法媲美。

ORGAN: Object-Centric Representation Learning using Cycle Consistent Generative Adversarial Networks

ORGAN：基于循环一致生成对抗网络的对象中心表示学习

Joël Küchler, Ellen van Maren, Vaiva Vasiliauskaitė, Katarina Vulić, Reza Abbasi-Asl, Stephan J. Ihle

机构 * Laboratory of Biosensors and Bioelectronics, Institute for Biomedical Engineering, University and ETH Zurich（生物传感器与生物电子实验室，生物医学工程研究所，大学和ETH苏黎世分校） ； Department of Neurology, Insel Gruppe, Bern, Switzerland（神经病学系，因塞格鲁普，瑞士伯恩） ； University of California, San Francisco, USA（加州大学旧金山分校，美国） ； Department of Neurobiology, University of Chicago, 951 E 58th St, Chicago, 60637, IL, USA（神经生物学系，芝加哥大学，951 E 58th St, 奇克阿哥，60637, IL, 美国） ； Department of Physics, University of Chicago, 929 E 57th St, Chicago, 60637, IL, USA（物理学系，芝加哥大学，929 E 57th St, 奇克阿哥，60637, IL, 美国） 纠错

AI总结 ORGAN通过循环一致生成对抗网络实现对象中心表示学习，在合成数据集上表现优异，并能处理现实世界中具有众多对象和低对比度的数据。

Comments GitHub: https://github.com/Hullimulli/ORGAN

Journal ref Artificial Intelligence Applications and Innovations (AIAI 2026), IFIP Advances in Information and Communication Technology, vol. 792, pp. 94-111, Springer (2027)