University of Edinburgh（爱丁堡大学）

Geometry-Aware Visual Odometry for Bronchoscopic Navigation via High-Gain Observer Fusion

基于高增益观测器融合的支气管镜导航几何感知视觉里程计

Mohammadreza Kasaei, Francis Xiatian Zhang, Feng Li, Farshid Alambeigi, Kevin Dhaliwal, Mohsen Khadem

机构 * School of Informatics, University of Edinburgh, UK（爱丁堡大学信息学院，英国） 纠错

AI总结 针对支气管镜视觉导航在纹理缺失气道中易漂移失效的问题，提出融合气道消失点线索与高增益观测器的几何感知VO，大幅降低轨迹误差，性能优于现有主流方案。

KinEMbed: Decoding Kinematics from Electromyography via Cross-Modal Contrastive Learning

KinEMbed：通过跨模态对比学习从肌电图中解码运动学

Sofia Gilardini, Chenfei Ma, Kianoush Nazarpour

机构 * Department of Statistics, University of Oxford（牛津大学统计学系） ； School of Informatics, University of Edinburgh（爱丁堡大学信息学院） 纠错

AI总结 研究从表面肌电图解码手部运动学这一挑战，提出跨模态对比学习框架KinEMbed训练双编码器，用于手部运动学回归，在NinaPro DB8数据集上优于基线方法。

Comments ICML 2026 Workshop on Structured Data for Health, Seoul, South Korea

EgoInertia-MI: A Multimodal Egocentric Vision and IMU Benchmark for Motor Impairment Assessment

EgoInertia-MI：用于运动障碍评估的多模态自我中心视觉与惯性测量单元基准测试

Fatemah Alhamdoosh, Pietro Pala, Abduallah Mohamed, DK Arvind

机构 * University of Florence（佛罗伦萨大学） ； Meta Reality Labs（元现实实验室） ； University of Edinburgh（爱丁堡大学） 纠错

AI总结 研究针对运动障碍评估，结合自我中心视觉与惯性测量单元信号创建EgoInertia-MI数据集，设动作识别等任务并评估基线，发现多模态融合性能最佳，凸显两者结合用于运动评估的潜力。

BAT3R: Bootstrapping Articulated 3D Reconstruction from 2D Image Collections

BAT3R：从二维图像集合中自训练关节式三维重建

Jakub Zadrozny, Oisin Mac Aodha, Hakan Bilen

机构 * University of Edinburgh（爱丁堡大学） 纠错

AI总结 研究从单张图像进行关节物体3D重建，利用未标注2D图像集和单个绑定规范网格，提出训练框架，通过拟合网格到预测点图迭代估计关节和相机姿态，提升模型性能。

Comments Accepted to ECCV 2026. Project page: https://jakubzadrozny.github.io/bat3r/

Personalized Causal Recourse: A Human-In-The-Loop Approach

个性化因果追索：一种人在回路中的方法

Denise Tampieri, Giovanni De Toni, Paolo Giudici

机构 * The University of Edinburgh（爱丁堡大学） ； Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会） ； University of Pavia（帕维亚大学） 纠错

AI总结 研究人在回路框架，通过贝叶斯推理的交互式查询迭代逼近用户结构因果模型，克服传统追索方法局限，实现个性化、合理且具成本效益的追索推荐，模拟验证有成效但仍有挑战。

Comments Accepted at the 4th World Conference on eXplainable Artificial Intelligence (XAI 2026)

From Raw Segmentations to Simulation-Ready Cardiac Meshes: An Automated Framework for Anatomical Reconstruction and Virtual Cohort Generation

从原始分割到适用于模拟的心脏网格：用于解剖重建和虚拟队列生成的自动化框架

Francesco Fabbri, Martino Andrea Scarpolini, Paolo Ciancarella, Francesco Tudisco, Roberto Verzicco, Alessandro Ricci, Francesco Viola

机构 * Gran Sasso Science Institute (GSSI)（大萨索科学研究所） ； European Hospital（欧洲医院） ； University of Edinburgh（爱丁堡大学） ； Physics of Fluids Group, University of Twente（特温特大学流体物理小组） ； INFN–Laboratori Nazionali del Gran Sasso（意大利国家核物理研究所大萨索国家实验室） 纠错

AI总结 该研究提出半自动管道，将基于CT的分割转化为适用于模拟的心脏网格。利用深度学习分割方法，经模板配准和变形策略，几分钟内完成转化，保留解剖和拓扑一致性，可构建心脏统计形状模型。

Entropy Regularization Improves Policy Robustness in Continuous-Time Reinforcement Learning

熵正则化提高连续时间强化学习中的策略鲁棒性

Jialun Cao, Fernando Acero, David Šiška, Yufei Zhang

机构 * University of Edinburgh（爱丁堡大学） ； J.P. Morgan AI Research（摩根大通人工智能研究） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 研究连续时间强化学习中熵正则化的策略鲁棒性，建立相关理论保证，分析鲁棒集特性，实验验证其有效性。

Routing Anonymity and Identifiability of Noisy Quantum Hardware

噪声量子硬件的路由匿名性与可识别性

Ben Priestley, Mina Doosti

机构 * Centre for Quantum Information and Foundations, DAMTP, University of Cambridge（量子信息与基础研究中心，DAMTP，剑桥大学） ； Quantum Software Lab, School of Informatics, University of Edinburgh（量子软件实验室，信息学院，爱丁堡大学） 纠错

AI总结 研究噪声量子硬件中后端可识别性及隐私问题，通过引入后端可识别性博弈形式化路由匿名性，证明相关问题是假设检验问题，建立效用-匿名权衡及深度原则，并辅以实验验证。

Comments 22+30 pages, 6 figures