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