ETH Zurich（苏黎世联邦理工学院）

From swept contact to pose: Probe-aware registration via complementary-shape docking

从扫掠接触到姿态：通过互补形状对接实现探针感知的注册

Chen Chen, Yunwen Li, Yifan Xu, Xiangjie Yan, Chang Shu, Jianxia Hou, Shiji Song, Xiang Li

机构 * Department of Automation, Tsinghua University（清华大学自动化系） ； Tsingscribe Medical Ltd.（Tsingscribe医疗有限公司） ； D-MAVT, ETH Zürich（苏黎世联邦理工学院D-MAVT） ； Peking University School and Hospital of Stomatology（北京大学口腔医学院及口腔医院） ； Institute for Guo Qiang, Tsinghua University（清华大学国强研究院） 纠错

AI总结 本研究提出了一种无需校准的注册方法，通过将接触注册重新表述为物体与探针扫掠体积之间的互补形状对接，显式考虑探针几何形状，并利用接触和非接触证据。该方法通过3D FFT相关性进行全局到局部搜索，然后使用李代数更新和解析接触灵敏度进行连续SE(3)细化，实现了高效的探索和指标级收敛。

Comments 8 pages, 9 figures, accepted to ICRA 2026

Learning Robust Dexterous In-Hand Manipulation from Joint Sensors with Proprioceptive Transformer

从联合传感器学习鲁棒的灵巧手部操作

Senlan Yao, Chenyu Yang, Jaehoon Kim, Aristotelis Sympetheros, Robert K. Katzschmann

机构 * Soft Robotics Laboratory, ETH Zürich, Switzerland（苏黎世联邦理工学院软机器人实验室） 纠错

AI总结 本文研究如何仅依靠关节传感进行手部操作，提出了一种无需外部感知的Proprioceptive Transformer方法，通过强化学习训练教师策略并将其转化为PT，实现了在腱驱动灵巧手上的连续立方体旋转，实验表明其在旋转速度和位置估计精度上优于基线方法。

Comments 8 pages, 6 figures, 3 tables

FTerViT: Fully Ternary Vision Transformer

FTerViT：全三进制视觉变换器

Szymon Ruciński, Pietro Bonazzi, Engin Türetken, Simon Narduzzi, Michele Magno, Nadim Maamari

机构 * CSEM（瑞士塞梅实验室） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文提出了一种全三进制视觉变换器（FTerViT），通过将所有权重矩阵和归一化参数三进制化，实现了模型压缩，同时在资源受限的微控制器上实现了高效的部署。

Comments Preprint

Cross-lingual robustness of LLM-brain alignment and its computational roots

LLM-脑对齐的跨语言鲁棒性及其计算根源

Ni Yang, Rui He, Philipp Homan, Iris Sommer, Davide Staub, Wolfram Hinzen

机构 * Grammar and Cognition Lab, Department of Translation & Language Sciences, Universitat Pompeu Fabra（语言与翻译科学系语法与认知实验室，庞培法华大学） ； Department of Adult Psychiatry and Psychotherapy, University of Zurich（苏黎世大学成人精神病学与心理治疗系） ； Neuroscience Center Zurich, University of Zurich and ETH Zurich（苏黎世大学神经科学中心与苏黎世联邦理工学院） ； Center for Clinical Neuroscience and Cognition and Department of Psychiatry, University of Groningen, University Medical Center Groningen（格罗宁根大学临床神经科学与认知中心及精神病学系，格罗宁根大学医学中心） ； Scalable Scientific Machine Learning Lab, Imperial College London, Department of Earth Science and Engineering（伦敦帝国理工学院可扩展科学机器学习实验室，地球科学与工程系） ； Institut Català de Recerca i Estudis Avançats (ICREA), Barcelona, Spain（加泰罗尼亚高级研究与研究机构（ICREA），巴塞罗那，西班牙） 纠错

AI总结 该研究探讨了大型语言模型与大脑对齐的跨语言鲁棒性，通过多语言全脑编码框架分析了中文、英语和法语在自然故事听觉过程中大脑与LLM的对齐情况，发现其在空间上具有跨语言重叠性，但无法通过预测不确定性或表征几何来解释。

Hybrid Machine Learning Model for Forest Height Estimation from TanDEM-X and Landsat Data

基于TanDEM-X和Landsat数据的混合机器学习模型用于森林高度估计

Islam Mansour, Ronny Haensch, Irena Hajnsek, Konstantinos Papathanassiou

机构 * German Aerospace Center (DLR)（德国航空航天中心（DLR）） ； Institute of Environmental Engineering, ETH Zürich（环境工程研究所，苏黎世联邦理工学院） 纠错

AI总结 本文提出了一种结合机器学习与物理模型的混合方法，利用TanDEM-X干涉相干测量和Landsat光学数据来提高森林高度估计的精度，通过扩展特征空间减少高度和基线地形坡度的模糊性，实验结果表明RMSE和MAE分别降低了13.5%和16.6%。

3D Reconstruction and Knowledge Distillation to Improve Multi-View Image Models to Explore Spike Volume Estimation in Wheat

3D重建与知识蒸馏以改进多视角图像模型以探索小麦籽粒体积估计

Olivia Zumsteg, Jannis Widmer, Yann Bourdé, Norbert Kirchgessner, Andreas Hund, Lukas Roth, Paraskevi Nousi

机构 * ETH Zurich（苏黎世联邦理工学院） ； Swiss Data Science Center（瑞士数据科学中心） 纠错

AI总结 本文提出了一种混合2D-3D方法，通过训练过程中知识蒸馏，使模型能够高效地进行图像-only推理。该方法结合了基于距离直方图特征的刚性不变点云网络和提出的多视角图像基于调节Transformer（RT）的集成架构，最终通过特征或标签蒸馏将知识转移到纯图像模型中，从而提高了籽粒体积估计的精度和效率。

Comments 8 pages, 6 figures (Appendix: 4 pages, 5 figures)

CRANE: Correcting Errors in Raw Nanopore Signals Using Hidden Markov Models

CRANE：利用隐马尔可夫模型纠正原始纳米孔信号中的错误

Simon Ambrozak, Ulysse McConnell, Bhargav Srinivasan, Burak Ozkan, Ernest Zhang, Can Firtina

机构 * University of Maryland（马里兰大学） ； ETH Zurich（苏黎世联邦理工学院） ； Bilkent University（比尔肯特大学） 纠错

AI总结 本文提出CRANE方法，通过训练和使用隐马尔可夫模型（HMM）来纠正纳米孔信号中的错误，从而提高原始信号分析的准确性，减少分析管道优化的负担，并且不引入显著的计算开销。

Depth Completion in Unseen Field Robotics Environments Using Extremely Sparse Depth Measurements

在未见过的田间机器人环境中使用极稀疏深度测量进行深度补全

Marco Job, Thomas Stastny, Eleni Kelasidi, Roland Siegwart, Michael Pantic

机构 * Autonomous Systems Lab, ETH Zürich（瑞士苏黎世联邦理工学院自主系统实验室） ； Field Robotics Lab, NTNU（挪威特罗姆瑟大学场 robotics 实验室） 纠错

AI总结 本研究提出了一种深度补全模型，通过合成数据训练和极稀疏的深度传感器测量，在未见过的田间机器人环境中预测密集的度量深度，解决了低成本相机在田间机器人中应用受限的问题。

Comments Accepted to ICRA 2026

PREF: Phasorial Embedding Fields for Compact Neural Representations

PREF: 用于紧凑神经表示的相位嵌入场

Binbin Huang, Xinhao Yan, Anpei Chen, Shenghua Gao, Jingyi Yu

机构 * ShanghaiTech University（上海科技大学） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文提出了一种高效的基于频率的神经表示PREF，通过引入覆盖显著边谱的相位体积，结合快速傅里叶变换和局部插值加速傅里叶映射，从而减少频率表示中的成本MLP，提升效率和可解释性。

FullFlow: Upgrading Text-to-Image Flow Matching Models for Bidirectional Vision--Language Generation

FullFlow: 通过双向视觉-语言生成升级文本到图像流匹配模型

Eric Tillmann Bill, Enis Simsar, Alessio Tonioni, Thomas Hofmann

机构 * ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌） 纠错

AI总结 本文提出FullFlow方法，通过仅训练LoRA适配器和轻量级文本头部，将预训练的rectified-flow文本到图像模型升级为双向视觉-语言生成器，从而在保持图像连续流的同时添加文本离散插入过程，提升文本到图像和图像到文本的生成质量。

Comments project page: https://ericbill21.github.io/fullflow/

An Approximation Algorithm for Graph Label Selection

图标签选择的近似算法

Josia John, Simon Meierhans, Maximilian Probst Gutenberg

机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） 纠错

AI总结 本文提出了一种新的图标签选择算法，在标准预算约束下，首次实现了O(log^{1.5}n)的近似比，解决了如何从整个图中选择少量代表性顶点以准确预测剩余顶点标签的问题。

Comments Accepted at ICML 2026. 9 pages, 7 figures

AI-Assisted Scientific Assessment: A Case Study on Climate Change

AI辅助的科学评估：气候变化案例研究

Christian Buck, Levke Caesar, Michelle Chen Huebscher, Massimiliano Ciaramita, Erich M. Fischer, Zeke Hausfather, Özge Kart Tokmak, Reto Knutti, Markus Leippold, Joseph Ludescher, Katharine J. Mach, Sofia Palazzo Corner, Kasra Rafiezadeh Shahi, Johan Rockström, Joeri Rogelj, Boris Sakschewski

机构 * Potsdam Institute for Climate Impact Research (PIK), Member of the Leibniz Association（波茨坦气候影响研究所（PIK），莱比锡协会成员） ； Institute for Atmospheric and Climate Science, ETH Zurich（大气与气候科学研究所，苏黎世联邦理工学院） ； University of Zurich（苏黎世大学） ； University of Miami（迈阿密大学） ； Centre for Environmental Policy, Imperial College London（伦敦帝国理工学院环境政策中心） ； Grantham Institute for Climate Change and Environment, Imperial College London（伦敦帝国理工学院气候变化与环境研究所） ； Energy, Climate and Environment Program, International Institute for Applied Systems Analysis（国际应用系统分析研究所能源、气候与环境项目） 纠错

AI总结 本文探讨了AI在科学评估中的应用，通过与气候科学领域13名科学家的合作，测试了基于Gemini的AI环境在评估大西洋经向翻转环流（AMOC）稳定性方面的效果，展示了AI在加速科学流程和提升报告质量方面的贡献，同时强调了专家补充和监督的重要性。

Breaking Modality Heterogeneity in Low-Bit Quantization for Large Vision-Language Models

打破大视觉-语言模型低比特量化中的模态异质性

Yi Zhong, Haotong Qin, Xindong Zhang, Lei Zhang, Guolei Sun

机构 * VCIP, College of Computer Science, Nankai University（南开大学计算机科学学院VCIP） ； D-ITET, ETH Zürich（苏黎世联邦理工学院D-ITET） ； OPPO Research Institute（OPPO研究院） ； Department of Computing, Hong Kong Polytechnic University（香港理工大学计算机系） 纠错

AI总结 本文提出SplitQ框架，通过通道分割和自适应跨模态校准模块，解决大视觉-语言模型在低比特量化中因模态异质性导致的精度下降问题，显著提升了在多种多模态数据集上的性能。

Structured Layout Priors for Robust Out-of-Distribution Visual Document Understanding

用于鲁棒性文档理解的结构化布局先验

Peter El Hachem, Ahmed Nassar, A. Said Gurbuz, Christoph Auer, Peter W. J. Staar

机构 * ETH Zurich（苏黎世联邦理工学院） ； IBM Research（IBM研究院） 纠错

AI总结 本文提出了一种结构化布局先验，通过在解码器之外运行轻量级RT-DETR检测器，将检测结果转换为解析器的DocTags词汇，并注入到提示中，以解决文档布局解析中的两跳瓶颈问题，从而提升文档理解的鲁棒性。

Comments 18 pages, 7 figures. Main text: 9 pages (4 figures); Appendix: 9 pages (3 figures)

FLUXtrapolation: A benchmark on extrapolating ecosystem fluxes

FLUXtrapolation：一个用于外推生态系统通量的基准测试

Anya Fries, Jacob A Nelson, Martin Jung, Markus Reichstein, Jonas Peters

机构 * Seminar for Statistics, ETH Zürich（统计研究所，苏黎世联邦理工学院） ； Max Planck Institute for Biogeochemistry（生物地球化学研究所） 纠错

AI总结 该研究提出FLUXtrapolation基准测试，旨在外推生态系统通量，通过分析分布偏移对通量上推的挑战，评估机器学习方法在分布偏移下的表现，以促进通量上推的科学目标。

Stitched Value Model for Diffusion Alignment

用于扩散对齐的拼接价值模型

Hyojun Go, Hyungjin Chung, Prune Truong, Goutam Bhat, Li Mi, Zhaochong An, Zixiang Zhao, Dominik Narnhofer, Serge Belongie, Federico Tombari, Konrad Schindler

机构 * ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌） ； University of Copenhagen（哥本哈根大学） 纠错

AI总结 本文提出StitchVM，一种将预训练的干净图像奖励模型转移到噪声潜在空间的拼接框架，通过高效转移和微调，提升扩散对齐的效率和效果。

Comments Project page: https://gohyojun15.github.io/StitchVM/

A Practical Framework of Key Performance Indicators for Multi-Robot Lunar and Planetary Field Tests

多机器人月球和行星实地测试的关键绩效指标实用框架

Julia Richter, David Oberacker, Gabriela Ligeza, Valentin T. Bickel, Philip Arm, William Talbot, Marvin Grosse Besselmann, Florian Kehl, Tristan Schnell, Hendrik Kolvenbach, Rüdiger Dillmann, Arne Roennau, Marco Hutter

机构 * Robotic Systems Lab (RSL), ETH Zürich（罗伯特系统实验室（RSL），苏黎世联邦理工学院） ； FZI Research Center for Information Technology（信息技术研究所以及中心） ； Machine Intelligence and Robotics Lab (MaiRo), Karlsruhe Institute for Technology (KIT)（机器智能与机器人实验室（MaiRo），卡尔斯鲁厄理工学院） ； Department of Environmental Sciences, University of Basel（巴塞尔大学环境科学系） ； European Space Agency/ESTEC（欧洲航天局/ESTEC） ； Center for Space and Habitability, University of Bern（伯尔尼大学空间与宜居性中心） ； Space Instruments Group, University of Zürich（苏黎世大学空间仪器组） ； Space Science and Technology, ETH Zürich（苏黎世联邦理工学院空间科学与技术） 纠错

AI总结 本文提出了一种基于多机器人月球场景的KPI框架，用于评估和比较不同实地测试的性能，强调效率、鲁棒性和精度的场景依赖性优先级，并通过实地测试验证了其在实际应用中的有效性。

Comments Presented at ICRA 2026 Workshop on Multi-Agent Robotic Systems: Real-World Collaboration and Interaction

Sampling-Based Safe Reinforcement Learning

基于采样的安全强化学习

Luca Vignola, Bruce D. Lee, Manish Prajapat, Manuel Wendl, Melanie Zeilinger, Andreas Krause, Yarden As

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出了一种基于采样的安全强化学习方法，通过在有限的动力学样本集上联合施加约束，确保学习过程中的安全性，并在连续域中提供实用的安全保证，同时通过限制认知不确定性实现了高效的探索。

Structuring Open-Ended NAS: Semi-Automated Design Knowledge Structuring with LLMs for Efficient Neural Architecture Search

结构化开放端NAS：利用LLM进行半自动设计知识结构化以实现高效的神经架构搜索

Yuiko Sakuma, Masakazu Yoshimura, Marcel Gröpl, Zitang Sun, Junji Otsuka, Atsushi Irie, Takeshi Ohashi

机构 * Sony Group Corporation（索尼集团公司） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出一种半自动方法，利用LLM结构化模型设计知识，以指导神经架构搜索过程，通过定义高层结构模板和引入FairNAD算法，实现了高效的开放端搜索空间探索，提升了在多个数据集上的性能。

Comments 42 pages

Flash PD-SSM: Memory-Optimized Structured Sparse State-Space Models

Flash PD-SSM: 一种内存优化的结构稀疏状态空间模型

Aleksandar Terzić, Francesco Carzaniga, Nicolas Menet, Yannick Biehl, Michael Hersche, Thomas Hofmann, Abbas Rahimi

机构 * IBM Research – Zurich（IBM瑞士研究中心） ； Department of Computer Science, ETH Zürich（苏黎世联邦理工学院计算机科学系） 纠错

AI总结 本文提出Flash PD-SSM，一种内存优化的结构稀疏状态空间模型，通过在保持高效的同时提升表达能力，实现了与传统结构化状态空间模型相当的吞吐量，并在多个任务中展示了更高的准确性和效率。

POLAR-Bench: A Diagnostic Benchmark for Privacy-Utility Trade-offs in LLM Agents

POLAR-Bench: 一个用于LLM代理隐私-效用权衡的诊断基准

Qiaoyuan Zheng, Yiqu Yang, Qi Gao, Imanol Schlag

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

AI总结 本文提出POLAR-Bench基准，用于评估LLM代理在隐私和效用之间的权衡。通过在10个领域和7,852个样本上进行测试，该基准通过确定性集合成员hip评分隐私和效用，并在两个正交轴上变化隐私策略维度和攻击策略，生成5x5的诊断表面。结果揭示了当前前沿模型在保护属性上隐瞒超过99%，而较小的开放权重模型在1-30B范围内表现更差，泄露率高达一半。

Comments Preprint

Seeing Together: Multi-Robot Cooperative Egocentric Spatial Reasoning with Multimodal Large Language Models

协同视见：基于多模态大语言模型的多机器人协作自体空间推理

Kunyu Peng, Zhikun Zhou, Kailun Yang, Di Wen, Ruiping Liu, Yufan Chen, Junwei Zheng, Hao Shi, Yi Zhou, M. Saquib Sarfraz, Danda Pani Paudel, Luc Van Gool

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Hunan University（湖南大学） ； University of Oxford（牛津大学） ； Zhejiang University（浙江大学） ； ETH Zurich（苏黎世联邦理工学院） ； Ant Group（蚂蚁集团） 纠错

AI总结 本文研究了多机器人协作动态空间推理问题，提出了首个针对该任务的基准CoopSR以及多机器人自体问答数据集EgoTeam，通过引入SP-CoR框架实现了细粒度的协作空间推理，显著提升了多机器人协作推理性能。

Cracks in the Foundation: A Civil Infrastructure Dataset to Challenge Vision Foundation Models

基础的裂缝：一个挑战视觉基础模型的民用基础设施数据集

Nicola Farronato, Niccolo Avogaro, Thomas Frick, Mattia Rigotti, Rizwan Ullah Khan, Michele Magno, Konrad Schindler, Cristiano Malossi, Florian Scheidegger

机构 * IBM Research（IBM研究院） ； ETH Zürich（苏黎世联邦理工学院） ； University of Twente（特文特大学） 纠错

AI总结 本文提出Cracks in the Foundation数据集，通过高分辨率图像挑战视觉基础模型在民用基础设施中的密集图像理解能力，揭示了现有模型在真实世界中的局限性。

Noise scheduling and linear dynamics in diffusion models on Lie groups

在李群上扩散模型中的噪声调度与线性动力学

Javad Komijani

机构 * Institute for Theoretical Physics, ETH Zurich, 8093 Zurich, Switzerland（理论物理研究所，苏黎世联邦理工学院，瑞士苏黎世，8093） 纠错

AI总结 本文研究了在李群上扩散过程中噪声调度的作用，特别关注其在格点规范理论中的应用。研究发现特定的噪声调度可使Wilson作用量的期望值随扩散时间线性衰减，与欧几里得扩散模型相比，这种行为在李群设置中自然产生，而后者需要显式设计漂移项。

Comments 5 pages

Learning Abstract World Models with a Group-Structured Latent Space

通过组结构潜在空间学习抽象世界模型

Thomas Delliaux, Nguyen-Khanh Vu, Vincent François-Lavet, Elise van der Pol, Emmanuel Rachelson

机构 * ISAE-SUPAERO ； ETH Zürich（瑞士联邦理工学院） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； Microsoft Research AI for Science（微软研究院人工智能科学部） 纠错

AI总结 该研究通过在低维表示流形上引入几何先验，改进了马尔可夫决策过程的抽象模型学习，从而提升有限数据下的泛化能力，并在具有旋转和翻译特征的环境中实现了更有效的强化学习任务学习。

Comments 20 pages, 18 figures

VISAFF: Speaker-Centered Visual Affective Feature Learning for Emotion Recognition in Conversation

VISAFF: 以说话者为中心的视觉情感特征学习用于对话中的情感识别

Linan ZHU, Zihao Zhai, Xiao Han, Yuqian Fu, Xiangfan Chen, Xiangjie Kong, Guojiang Shen

机构 * Zhejiang University of Technology（浙江工业大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出VISAFF框架，通过以说话者为中心的视觉情感特征学习方法，解决对话中情感识别中的复杂场景问题，提升计算效率并避免大规模模型微调的高成本。

Beyond Inference-Time Search: Reinforcement Learning Synthesizes Reusable Solvers

超越推理时间搜索：强化学习合成可重用求解器

Soheyl Massoudi, Gabriel Apaza, Milad Habibi, Mark Fuge

机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Maryland（马里兰大学） 纠错

AI总结 本文探讨了强化学习能否将组合优化的推理成本转移到代码LLM的权重中，从而合成可重用的求解器。通过Synergistic Dependency Selection问题，研究发现强化学习能有效生成约束感知的模拟退火模板，并在多个领域展示出更高的效率和鲁棒性。

Probing Persona-Dependent Preferences in Language Models

探测语言模型中依赖人格的偏好

Oscar Gilg, Pierre Beckmann, Daniel Paleka, Patrick Butlin

机构 * MATS ； EPFL（瑞士联邦理工学院） ； ETH Zürich（苏黎世联邦理工学院） ； Eleos AI Research（Eleos AI研究） 纠错

AI总结 本文通过训练线性探针来探测语言模型中不同人格下的偏好表示，发现偏好向量在不同人格间具有共享特性，并能通过调整偏好向量来影响模型的输出选择。

Comments 41 pages, 45 figures. Code: https://github.com/oscar-gilg/Preferences. Earlier write-up on LessWrong: https://www.lesswrong.com/posts/pxC2RAeoBrvK8ivMf/models-have-linear-representations-of-what-tasks-they-like-1

Spatiotemporal Robustness of Temporal Logic Tasks using Multi-Objective Reasoning

基于多目标推理的时序逻辑任务时空鲁棒性

Oliver Schön, Lars Lindemann

机构 * Automatic Control Laboratory, ETH Zürich（自动化控制实验室，苏黎世联邦理工学院） 纠错

AI总结 本文研究了通过多目标推理处理时序逻辑任务的时空鲁棒性，提出了一种新的时空鲁棒性定义，能够同时考虑空间和时间扰动，并展示了其在多智能体机器人、智慧城市和空中交通管制等交互系统中的应用。

Comments 30 pages, 6 figures, to be published at the 38th International Conference on Computer Aided Verification 2026

Identifying Latent Actions and Dynamics from Offline Data via Demonstrator Diversity

通过示范多样性从离线数据中识别潜在动作和动态

Felix Schur

机构 * ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文研究了在不观察动作的情况下从离线轨迹中恢复潜在动作和环境动态的问题，通过示范多样性假设，证明了在满足特定条件时，潜在转移和示范策略可以被唯一确定，从而为从离线强化学习数据中学习潜在动作和动态提供了新的方法。