ETH Zurich（苏黎世联邦理工学院）

Map-Det3D: Metric Feed-Forward 3D Reconstruction Prior for Multi-view 3D Object Detection from Streaming Inputs

Map-Det3D：面向流输入的多视图3D目标检测的度量前馈3D重建先验

Yung-Hsu Yang, Luigi Piccinelli, Samuel Rota Bulò, Sunghwan Hong, Denis Rozumny, Johannes Schönberger, Zuria Bauer, Hermann Blum, Peter Kontschieder, Marc Pollefeys

机构 * ETH Zürich（苏黎世联邦理工学院） ； Meta Reality Labs（元宇宙实验室） ； University of Bonn（波恩大学） 纠错

AI总结 Map-Det3D是一种在线多视图3D目标检测模型，通过将短时间窗口映射为多视图并利用前馈度量3D重建模型作为几何骨干，直接在度量3D空间预测边界框，实现了稳定的单目视频3D检测，且具有良好的在线性能与鲁棒迁移性。

Comments ECCV 2026

Learning Loco-Manipulation From SMPC Demonstrations With Sparse Offline-to-Online RL

基于稀疏离线到在线强化学习从SMPC演示中学习移动操作

Martin Schuck, Maks Sorokin, Simone Manni, Duy Ta, Angela P. Schoellig, Marco Hutter, Simon Le Cleac'H, Jan Brüdigam

机构 * RAI Institute（RAI研究所） ； Technical University of Munich（慕尼黑工业大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本研究利用仿真中SMPC生成的离线数据，结合稀疏奖励训练离策略RL智能体，整合动态稳定性控制器，实现机器人移动操作技能的仿真到真实迁移，性能超越原最优控制方法。

Disentangling the Expressivity of RoPE

解耦旋转位置嵌入（RoPE）的表达能力

Selim Jerad, Anej Svete, Jiaoda Li, Ryan Cotterell

机构 * Toyota Technological Institute at Chicago（芝加哥丰田技术学院） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 该研究解耦RoPE的两种核心观点，形式化其表达性，发现常规RoPE的非周期性旋转仅能实现有界模拟，而周期性RoPE可泛化模块化语言，为RoPE Transformer提供更贴近实际的理论表征。

Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pre-training

迈向能量前沿异质中微子探测器的风格化模型：通过自监督预训练

Saúl Alonso-Monsalve, Fabio Cufino, Umut Kose, Anna Mascellani, André Rubbia

机构 * IPA, ETH Zürich（瑞士苏黎世联邦理工学院IPA研究所） 纠错

AI总结 本文提出一种稀疏ViT框架，通过自监督预训练学习异质探测器数据的可重用表示，提升中微子风味和charm夸克识别、动量回归和顶点重建性能。

Comments 18 pages, 6 figures