ETH Zurich（苏黎世联邦理工学院）

hls4ml: A Flexible, Open-Source Platform for Deep Learning Acceleration on Reconfigurable Hardware

hls4ml：一种灵活、开源的深度学习在可重构硬件上加速平台

Jan-Frederik Schulte, Benjamin Ramhorst, Chang Sun, Jovan Mitrevski, Nicolò Ghielmetti, Enrico Lupi, Dimitrios Danopoulos, Vladimir Loncar, Javier Duarte, David Burnette, Lauri Laatu, Stylianos Tzelepis, Konstantinos Axiotis, Quentin Berthet, Haoyan Wang, Paul White, Suleyman Demirsoy, Marco Colombo, Thea Aarrestad, Sioni Summers, Maurizio Pierini, Giuseppe Di Guglielmo, Jennifer Ngadiuba, Javier Campos, Ben Hawks, Abhijith Gandrakota, Farah Fahim, Nhan Tran, George Constantinides, Zhiqiang Que, Wayne Luk, Alexander Tapper, Duc Hoang, Noah Paladino, Philip Harris, Bo-Cheng Lai, Manuel Valentin, Ryan Forelli, Seda Ogrenci, Lino Gerlach, Rian Flynn, Mia Liu, Daniel Diaz, Elham Khoda, Melissa Quinnan, Russell Solares, Santosh Parajuli, Mark Neubauer, Christian Herwig, Ho Fung Tsoi, Dylan Rankin, Shih-Chieh Hsu, Scott Hauck

机构 * Purdue University（普渡大学） ； ETH Zurich（苏黎世联邦理工学院） ； California Institute of Technology（加州理工学院） ； Fermi National Accelerator Lab（费米国家加速器实验室） ； European Organization for Nuclear Research (CERN)（欧洲核子研究中心） ； University of California San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国理工学院） ； National Technical University of Athens（希腊国家技术大学） ； University of Geneva（日内瓦大学） ； Altera Corporation（阿尔特拉公司） ； Discovery Partners Institute（发现伙伴研究所） ； Massachusetts Institute of Technology（麻省理工学院） ； National Yang Ming Chiao Tung University（国立阳明交通大学） ； Northwestern University（西北大学） ； Princeton University（普林斯顿大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan（密歇根大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Washington（华盛顿大学） 纠错

AI总结 hls4ml是一种开源平台，用于将深度学习模型转换为可重构硬件上的HLS代码，以实现低延迟、低资源消耗的ML推理加速。

Sampling-Based Model Predictive Control for Dexterous Manipulation on a Biomimetic Tendon-Driven Hand

基于采样的模型预测控制在仿生腱驱动手的灵巧操作中的应用

Adrian Hess, Alexander M. Kübler, Benedek Forrai, Mehmet Dogar, Robert K. Katzschmann

机构 * Soft Robotics Lab, Department of Mechanical and Process Engineering, ETH Zurich（苏黎世联邦理工学院机械与过程工程系软机器人实验室） ； School of Computer Science, University of Leeds（利兹大学计算机科学学院） 纠错

AI总结 本研究提出利用基于采样的模型预测控制实现仿生腱驱动手的灵巧操作，通过结合视觉语言模型与实时优化器，有效生成接触丰富的行为。

Comments For a video, see https://youtu.be/u4d6v3ohsOI

Journal ref 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

Learning Reduced Representations for Quantum Classifiers

学习量子分类器的降维表示

Patrick Odagiu, Vasilis Belis, Lennart Schulze, Panagiotis Barkoutsos, Michele Grossi, Florentin Reiter, Günther Dissertori, Ivano Tavernelli, Sofia Vallecorsa

机构 * Institute for Particle Physics and Astrophysics, ETH Zurich（粒子物理与天体物理研究所，苏黎世联邦理工学院） ； Columbia University（哥伦比亚大学） ； IBM Quantum, IBM Research – Zurich（IBM量子，IBM瑞士研究） ； European Organization for Nuclear Research (CERN)（欧洲核子研究中心） ； Institute for Quantum Electronics, ETH Zurich（量子电子研究所，苏黎世联邦理工学院） ； Fraunhofer Institute for Applied Solid State Physics IAF（应用固态物理研究所（IAF）） 纠错

AI总结 本文提出Sinkclass自编码器，通过降维提升量子分类器性能，实现对高维数据集的有效处理。

Journal ref Odagiu, P., Belis, V., Schulze, L. et al. Learning reduced representations for quantum classifiers. Quantum Mach. Intell. 7, 113 (2025)

Towards Fast and Scalable Normal Integration using Continuous Components

通过连续组件实现快速且可扩展的法线积分

Francesco Milano, Jen Jen Chung, Lionel Ott, Roland Siegwart

机构 * ETH Zurich（苏黎世联邦理工学院） ； The University of Queensland（昆士兰大学） 纠错

AI总结 本文提出通过连续组件估计实现快速且可扩展的法线积分，显著提升处理大分辨率法线图的效率。

Comments Accepted by the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2026, first round. Camera-ready version. 17 pages, 9 figures, 6 tables. Code is available at https://github.com/francescomilano172/normal_integration_continuous_components

Sample-Efficient Expert Query Control in Active Imitation Learning via Conformal Prediction

通过置信预测实现高效的专家查询控制在主动模仿学习中

Arad Firouzkouhi, Omid Mirzaeedodangeh, Lars Lindemann

机构 * Department of Computer Science, University of Southern California（计算机科学系，南加州大学） ； Department of Information Technology and Electrical Engineering, ETH Zurich（信息科技与电气工程系，苏黎世联邦理工学院） 纠错

AI总结 CRSAIL通过置信预测实现高效的专家查询控制，在主动模仿学习中减少专家查询次数，提升机器人任务的训练效率。

Is General-Purpose AI Reasoning Sensitive to Data-Induced Cognitive Biases? Dynamic Benchmarking on Typical Software Engineering Dilemmas

通用人工智能推理是否受数据诱导的认知偏差影响？典型软件工程困境中的动态基准测试

Francesco Sovrano, Gabriele Dominici, Rita Sevastjanova, Alessandra Stramiglio, Alberto Bacchelli

机构 * Collegium Helveticum, ETH Zurich（瑞士苏黎世联邦理工学院） ； University of Zurich（苏黎世大学） ； University of Italian-speaking Switzerland（意大利语瑞士大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Bologna（博洛尼亚大学） 纠错

AI总结 本文通过动态基准测试框架评估GPAI在软件工程中对数据诱导认知偏差的敏感性，发现GPAI系统在面对偏见诱导语言线索时易产生错误推理。

Optimizing against Infeasible Inclusions from Data for Semantic Segmentation through Morphology

通过形态学优化对抗数据中的不可行包含以实现语义分割

Shamik Basu, Luc Van Gool, Christos Sakaridis

机构 * University Of Bologna（博洛尼亚大学） ； INSAIT（INSAIT研究所） ； Sofia University St. Kliment Ohridski（索菲亚大学圣克莱门特·欧赫里迪斯基大学） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 InSeIn通过提取空间类关系约束并采用可微形态学损失优化语义分割，提升预测可行性与性能。

Comments Published in 2026 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV)

Gold-Medal-Level Olympiad Geometry Solving with Efficient Heuristic Auxiliary Constructions

金牌级奥林匹克几何问题求解的高效启发式辅助构造

Boyan Duan, Xiao Liang, Shuai Lu, Yaoxiang Wang, Yelong Shen, Kai-Wei Chang, Ying Nian Wu, Mao Yang, Weizhu Chen, Yeyun Gong

机构 * ETH Zurich（苏黎世联邦理工学院） ； Microsoft（微软公司） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 本文提出HAGeo方法，通过高效启发式辅助构造在IMO-30基准上解决28个问题，达到金牌级性能，超越基于神经网络的AlphaGeometry方法。

Adapting Neural Audio Codecs to EEG

将神经音频编解码器适应于EEG

Ard Kastrati, Luca Lanzendörfer, Riccardo Rigoni, John Staib Matilla, Roger Wattenhofer

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出将预训练的神经音频编解码器适应于EEG压缩，通过多通道扩展和注意力机制提升EEG重建质量与泛化能力。

Comments Foundation Models for the Brain and Body (BrainBodyFM@NeurIPS)

Flow Density Control: Generative Optimization Beyond Entropy-Regularized Fine-Tuning

流密度控制：超越熵正则化微调的生成优化

Riccardo De Santi, Marin Vlastelica, Ya-Ping Hsieh, Zebang Shen, Niao He, Andreas Krause

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

AI总结 流密度控制通过简化复杂优化问题，实现超越熵正则化微调的生成模型优化，适用于分子设计和图像生成等任务。

Comments NeurIPS 2025

EvalCards: A Framework for Standardized Evaluation Reporting

EvalCards: 一个标准化评估报告的框架

Ruchira Dhar, Danae Sanchez Villegas, Antonia Karamolegkou, Alice Schiavone, Yifei Yuan, Xinyi Chen, Jiaang Li, Stella Frank, Laura De Grazia, Monorama Swain, Stephanie Brandl, Daniel Hershcovich, Anders Søgaard, Desmond Elliott

机构 * University of Copenhagen（哥本哈根大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Amsterdam（阿姆斯特丹大学） ； University of Barcelona（巴塞罗那大学） ； Johannes Kepler University Linz（林茨约翰尼斯·开普勒大学） 纠错

AI总结 EvalCards提出了一种标准化评估报告框架，旨在提升透明度并满足新兴的治理需求。

Comments Under review

MAKO: Meta-Adaptive Koopman Operators for Learning-based Model Predictive Control of Parametrically Uncertain Nonlinear Systems

MAKO：基于元学习的Koopman算子用于参数不确定非线性系统的基于学习的模型预测控制

Minghao Han, Kiwan Wong, Adrian Wing-Keung Law, Xunyuan Yin

机构 * Water Research Institute (NEWRI), Nanyang Technological University, Singapore（新跃大学水研究 institute（NEWRI）） ； School of Chemistry, Chemical Engineering and Biotechnology, Nanyang Technological University, Singapore（新跃大学化学、化工与生物技术学院） ； Soft Robotics Lab, ETH Zurich, Switzerland（苏黎世联邦理工学院软机器人实验室） ； Department of Civil and Environmental Engineering, National University of Singapore, Singapore（新加坡国立大学土木与环境工程系） 纠错

AI总结 MAKO通过元学习方法实现对参数不确定非线性系统的高效建模与预测控制，提升系统稳定性和控制效果。

Approximation rates of quantum neural networks for periodic functions via Jackson's inequality

量子神经网络对周期函数的逼近率 via Jackson 不等式

Ariel Neufeld, Philipp Schmocker, Viet Khoa Tran

机构 * Nanyang Technological University, Singapore（南洋理工大学，新加坡） ； ETH Zurich, Switzerland（苏黎世联邦理工学院，瑞士） 纠错

AI总结 本文利用Jackson不等式研究量子神经网络对周期函数的逼近能力，通过减少参数数量提升逼近效果。

Kleinkram: Open Robotic Data Management

Kleinkram：开放机器人数据管理

Cyrill Püntener, Johann Schwabe, Dominique Garmier, Jonas Frey, Marco Hutter

机构 * Robotic Systems Lab, ETH Zurich（苏黎世联邦理工学院机器人系统实验室） 纠错

AI总结 Kleinkram是一个开源系统，用于管理大规模机器人数据集，提供存储、索引、共享以及数据验证和基准测试的功能。

Comments for associated source code, see https://github.com/leggedrobotics/kleinkram

MTBBench: A Multimodal Sequential Clinical Decision-Making Benchmark in Oncology

MTBBench: 一个用于肿瘤学的多模态序列临床决策制定基准

Kiril Vasilev, Alexandre Misrahi, Eeshaan Jain, Phil F Cheng, Petros Liakopoulos, Olivier Michielin, Michael Moor, Charlotte Bunne

机构 * ETH Zürich（苏黎世联邦理工学院） ； EPFL（洛桑联邦理工学院） ； HUG 纠错

AI总结 MTBBench通过模拟分子肿瘤委员会的决策流程，提出一个多模态、纵向的肿瘤学基准测试，评估LLMs在复杂临床任务中的表现并提升其推理与可靠性。

Comments Accepted to NeurIPS 2025

Can LLMs Make (Personalized) Access Control Decisions?

LLMs能否做出（个性化）访问控制决策？

Friederike Groschupp, Daniele Lain, Aritra Dhar, Lara Magdalena Lazier, Srdjan Čapkun

机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； Computing Systems Lab, Huawei Technologies Switzerland AG（华为技术瑞士有限公司计算系统实验室） 纠错

AI总结 本文研究LLMs在访问控制决策中的应用，发现其能有效反映用户偏好，但个性化可能影响安全实践。

Evaluating Objective Speech Quality Metrics for Neural Audio Codecs

评估神经音频编解码器的客观语音质量度量标准

Luca A. Lanzendörfer, Florian Grötschla

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本研究评估了神经音频编解码器的客观语音质量度量标准，通过MUSHRA测试分析主观评分与客观度量标准的相关性，发现部分度量标准与人类感知一致，但部分难以捕捉失真。

Whole-Body Inverse Dynamics MPC for Legged Loco-Manipulation

全身体态逆动力学MPC用于腿部机动操作

Lukas Molnar, Jin Cheng, Gabriele Fadini, Dongho Kang, Fatemeh Zargarbashi, Stelian Coros

机构 * Department of Mechanical and Process Engineering, ETH Zurich（机械与过程工程系，苏黎世联邦理工学院） ； Computational Robotics Lab, Department of Computer Science, ETH Zurich（计算机器人实验室，计算机科学系，苏黎世联邦理工学院） 纠错

AI总结 本文提出了一种全身MPC框架，通过逆动力学优化实现腿部机动操作中的统一运动与力规划，实现实时80Hz性能，完成重物拉动、推箱子和擦拭白板等任务。

Comments 9 pages, 6 figures, to be published in IEEE Robotics and Automation Letters (Special Issue: Advancements in MPC and Learning Algorithms for Legged Robots)

RoPECraft: Training-Free Motion Transfer with Trajectory-Guided RoPE Optimization on Diffusion Transformers

RoPECraft：基于轨迹引导的RoPE优化实现无需训练的运动迁移

Ahmet Berke Gokmen, Yigit Ekin, Bahri Batuhan Bilecen, Aysegul Dundar

机构 * Bilkent University（比尔肯大学） ； ETH Zurich（苏黎世联邦理工学院） ； Max Planck Institute（马克斯·普朗克研究所） 纠错

AI总结 RoPECraft通过轨迹引导的RoPE优化实现无需训练的视频运动迁移，有效编码运动并提升生成质量。

Comments https://berkegokmen1.github.io/RoPECraft/

Access Controls Will Solve the Dual-Use Dilemma

访问控制将解决双重用途困境

Evžen Wybitul

机构 * ETH Zurich, Switzerland（苏黎世联邦理工学院） 纠错

AI总结 本文提出基于访问控制的概念框架，通过验证用户访问双重用途输出，以解决人工智能安全系统在双重用途请求中的决策困境。

Comments Accepted at ICML 2025 Workshop on Technical AI Governance (TAIG)

Learning Efficient Fuse-and-Refine for Feed-Forward 3D Gaussian Splatting

学习高效的融合与细化用于前馈3D高斯散射

Yiming Wang, Lucy Chai, Xuan Luo, Michael Niemeyer, Manuel Lagunas, Stephen Lombardi, Siyu Tang, Tiancheng Sun

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

AI总结 本文提出了一种高效的融合与细化模块，通过混合Splat-Voxel表示减少冗余并适应动态场景，实现高效且实时的3D场景重建。

Comments NeurIPS 2025, Previously titled "SplatVoxel: History-Aware Novel View Streaming without Temporal Training", Project Page: https://19reborn.github.io/SplatVoxel/

Demystifying Higher-Order Graph Neural Networks

解开高阶图神经网络的谜团

Maciej Besta, Florian Scheidl, Lukas Gianinazzi, Grzegorz Kwasniewski, Shachar Klaiman, Jürgen Müller, Torsten Hoefler

机构 * ETH Zurich（苏黎世联邦理工学院） ； BASF SE（巴斯夫股份有限公司） 纠错

AI总结 本文提出了一种HOGNN的分类法和蓝图，分析现有模型并提供选择指南及未来研究方向。

Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, 2025

nnActive: A Framework for Evaluation of Active Learning in 3D Biomedical Segmentation

nnActive: 一种用于评估3D生物医学分割中主动学习的框架

Carsten T. Lüth, Jeremias Traub, Kim-Celine Kahl, Till J. Bungert, Lukas Klein, Lars Krämer, Paul F. Jaeger, Fabian Isensee, Klaus Maier-Hein

机构 * German Cancer Research Center (DKFZ) Heidelberg, Division of Medical Image Computing（德国癌症研究中心（DKFZ）海德堡，医学影像计算部门） ； Helmholtz Imaging, German Cancer Research Center (DKFZ), Heidelberg, Germany（海德堡影像学，德国癌症研究中心（DKFZ），海德堡，德国） ； Faculty of Mathematics and Computer Science, University of Heidelberg, Germany（海德堡大学数学与计算机科学学院，德国） ； German Cancer Research Center (DKFZ) Heidelberg, Division of Intelligent Medical Systems（德国癌症研究中心（DKFZ）海德堡，智能医学系统部门） ； Institute for Machine Learning, ETH Zürich, Switzerland（苏黎世联邦理工学院机器学习研究所，瑞士） ； German Cancer Research Center (DKFZ) Heidelberg, Interactive Machine Learning Group（德国癌症研究中心（DKFZ）海德堡，交互式机器学习小组） ； Pattern Analysis and Learning Group, Department of Radiation Oncology, Heidelberg University Hospital, Germany（放射肿瘤学系模式分析与学习小组，海德堡大学医院，德国） ； National Center for Tumor Diseases (NCT) Heidelberg, Germany（海德堡肿瘤疾病国家中心（NCT），德国） 纠错

AI总结 nnActive提出一种开源框架，通过大规模研究和改进的随机采样策略，评估3D生物医学分割中主动学习的性能与效率。

Comments Accepted at TMLR

Facade Segmentation for Solar Photovoltaic Suitability

建筑光伏适用性分割

Ayca Duran, Christoph Waibel, Bernd Bickel, Iro Armeni, Arno Schlueter

机构 * ETH Zurich（苏黎世联邦理工学院） ； VITO CRIB Mol ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出了一种基于SegFormer-B5的管道，用于自动识别建筑立面的光伏适用区域并估算太阳能潜力，通过整合建筑组成信息，为城市能源规划提供可靠数据。

Comments NeurIPS 2025 Tackling Climate Change with Machine Learning Workshop version. Non-archival

Neural Texture Splatting: Expressive 3D Gaussian Splatting for View Synthesis, Geometry, and Dynamic Reconstruction

神经纹理散射：用于视图合成、几何和动态重建的表达性3D高斯散射

Yiming Wang, Shaofei Wang, Marko Mihajlovic, Siyu Tang

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出神经纹理散射方法，通过全局神经场提升3D高斯散射在视图合成、几何和动态重建中的性能。

Comments SIGGRAPH Asia 2025 (conference track), Project page: https://19reborn.github.io/nts/

Q-SAM2: Accurate Quantization for Segment Anything Model 2

Q-SAM2：用于Segment Anything Model 2的准确量化

Nicola Farronato, Florian Scheidegger, Mattia Rigotti, Cristiano Malossi, Michele Magno, Haotong Qin

机构 * IBM Research Zurich（IBM瑞士研究中心） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 Q-SAM2通过引入VRC和LSC方法，在低比特量化中实现高精度和高效率，显著优于现有方案。

Comments 22 pages

Expanding the Workspace of Electromagnetic Navigation Systems Using Dynamic Feedback for Single- and Multi-agent Control

通过动态反馈扩展电磁导航系统的作业空间以实现单体和多体控制

Jasan Zughaibi, Denis von Arx, Maurus Derungs, Florian Heemeyer, Luca A. Antonelli, Quentin Boehler, Michael Muehlebach, Bradley J. Nelson

机构 * Multi-Scale Robotics Lab, ETH Zurich（多尺度机器人实验室，苏黎世联邦理工学院） ； Learning and Dynamical Systems Group, Max Planck Institute for Intelligent Systems（学习与动态系统组，马克斯·普朗克智能系统研究所） 纠错

AI总结 通过动态反馈和系统级控制设计扩展电磁导航系统的作业空间，实现单体和多体控制的稳定与高效

SegSplat: Feed-forward Gaussian Splatting and Open-Set Semantic Segmentation

SegSplat: 用于快速前馈3D重建与丰富开放词汇语义理解的框架

Peter Siegel, Federico Tombari, Marc Pollefeys, Daniel Barath

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

AI总结 SegSplat通过单次传递实现高效3D重建与开放集语义分割，无需每场景优化。

QuantFace: Efficient Quantization for Face Restoration

QuantFace: 面部修复的高效量化方法

Jiatong Li, Libo Zhu, Haotong Qin, Jingkai Wang, Linghe Kong, Guihai Chen, Yulun Zhang, Xiaokang Yang

机构 * Shanghai Jiao Tong University（上海交通大学） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 QuantFace通过低比特量化和自适应策略提升面部修复效率，优于现有方法。

The Cooperative Network Architecture: Learning Structured Networks as Representation of Sensory Patterns

协同网络架构：学习结构网络作为感官模式的表示

Pascal J. Sager, Jan M. Deriu, Benjamin F. Grewe, Thilo Stadelmann, Christoph von der Malsburg

机构 * Zurich University of Applied Sciences（苏黎世应用科学大学） ； University of Zurich（苏黎世大学） ； ETH Zurich（苏黎世联邦理工学院） ； Frankfurt Institute for Advanced Studies（法兰克福高级研究 institute） 纠错

AI总结 本文提出协同网络架构，通过结构化神经网络动态学习和组合感官模式，实现噪声鲁棒性和图形补全能力，为神经表示和不变物体识别提供新方法。

Comments Accepted at Neural Computation