Imperial College London（帝国理工学院）

MAP-Diff: Multi-Anchor Guided Diffusion for Progressive 3D Whole-Body Low-Dose PET Denoising

MAP-Diff: 多锚点引导的扩散模型用于渐进式三维全身低剂量PET去噪

Peiyuan Jing, Chun-Wun Cheng, Liutao Yang, Zhenxuan Zhang, Thiago V. Lima, Klaus Strobel, Antoine Leimgruber, Angelica Aviles-Rivero, Guang Yang, Javier A. Montoya-Zegarra

机构 * School of Engineering, Zurich University of Applied Sciences, CH ； Bioengineering Department ； Imperial-X, Imperial College London, UK ； DAMTP, University of Cambridge, UK ； Lucerne University Teaching ； Research Hospital, CH ； Lung Institute, Imperial College London, UK ； Cardiovascular Research Centre, Royal Brompton Hospital, UK ； School of Biomedical Engineering \& Imaging Sciences, King's College London, UK ； Yau Mathematical Sciences Center, Tsinghua University, CN 纠错

AI总结 MAP-Diff通过多锚点引导的扩散模型实现低剂量PET图像的渐进式去噪，提升PSNR和SSIM，降低NMAE，优于多种基线方法。

Comments 8 pages, 3 figures

Stealthy Poisoning Attacks Bypass Defenses in Regression Settings

隐秘污染攻击在回归设置中绕过防御

Javier Carnerero-Cano, Luis Muñoz-González, Phillippa Spencer, Emil C. Lupu

机构 * IBM Research Europe, Portal, First Floor Trinity Business School, Trinity College Dublin（IBM欧洲研究院，波特尔大楼，特里尼蒂商务学校，特里尼蒂学院都柏林） ； Imperial College London, South Kensington Campus（伦敦帝国理工学院，南肯辛顿校区） ； Universidad de Alcalá de Henares, Escuela Politécnica Superior（阿尔卡萨大学，工程技术学院） ； Defence Science and Technology Laboratory (DSTL), Porton Down, Salisbury（国防科学与技术实验室（DSTL），波特恩道，萨里） 纠错

AI总结 本文提出了一种隐秘污染攻击的新方法，并开发了BayesClean防御机制，以提升回归模型在面对隐秘攻击时的鲁棒性。

Dense-Jump Flow Matching with Non-Uniform Time Scheduling for Robotic Policies: Mitigating Multi-Step Inference Degradation

密集跳跃流匹配与非均匀时间调度在机器人策略中的应用：缓解多步推断退化

Zidong Chen, Zihao Guo, Peng Wang, ThankGod Itua Egbe, Yan Lyu, Chenghao Qian

机构 * Dept. Computing, Imperial College London（帝国理工学院伦敦分校计算机系） ； Dept. Computing, Manchester Metropolitan University（曼彻斯特 Metropolitan 大学计算机系） ； CVSSP, University of Surrey（萨里大学CVSSP研究中心） ； School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Institute for Transport Studies, the University of Leeds（利兹大学交通研究所） 纠错

AI总结 本文提出了一种利用非均匀时间调度和密集跳跃积分的机器人策略，通过优化训练和推断过程，显著提升了多步骤任务中的性能表现。

Aggressive or Imperceptible, or Both: Network Pruning Assisted Hybrid Byzantines in Federated Learning

攻击性或不可察觉，或两者兼有：网络剪枝辅助的混合拜占庭攻击在联邦学习中

Emre Ozfatura, Kerem Ozfatura, Baturalp Buyukates, Mert Coskuner, Alptekin Kupcu, Deniz Gunduz

机构 * Sabancı University（萨班大大学） ； Koç University（科卡大学） ； Imperial College London（伦敦帝国学院） ； University of Birmingham（伯明翰大学） 纠错

AI总结 本文提出了一种混合稀疏拜占庭攻击，通过利用神经网络架构的侧信息，设计出既能造成最大破坏又不易被检测的攻击策略。

Egocentric Co-Pilot: Web-Native Smart-Glasses Agents for Assistive Egocentric AI

第一人称共驾：面向辅助第一人称AI的网页原生智能眼镜代理

Sicheng Yang, Yukai Huang, Weitong Cai, Shitong Sun, Fengyi Fang, You He, Yiqiao Xie, Jiankang Deng, Hang Zhang, Jifei Song, Zhensong Zhang

机构 * Shenzhen International Graduate School Tsinghua University Shenzhen China（深圳国际研究生院清华大学深圳中国） ； Independent Researcher London United Kingdom（独立研究者伦敦英国） ； Queen Mary University of London London United Kingdom（女王玛丽大学伦敦英国） ； Imperial College London London United Kingdom（帝国理工学院伦敦英国） ； University Of Surrey Guildford United Kingdom（Surrey大学Guildford英国） 纠错

AI总结 Egocentric Co-Pilot通过网页原生智能眼镜代理实现第一人称AI的持续辅助，结合神经符号框架和多模态意图层，展示了在日常生活中提升可及性和情境感知的实用路径。

Comments 14 pages, 6 figures, WWW 2026

Stroke outcome and evolution prediction from CT brain using a spatiotemporal diffusion autoencoder

基于CT脑部扫描的中风结果与演变预测：时空扩散自编码器

Adam Marcus, Paul Bentley, Daniel Rueckert

机构 * Imperial College London（帝国理工学院伦敦分校） ； Technische Universität München（慕尼黑技术大学） 纠错

AI总结 本文提出一种基于CT图像的时空扩散自编码器，用于预测中风结果与演变，通过自监督学习生成语义表示并结合纵向数据提升预测性能。

Comments Accepted in The 6th International Workshop on Machine Learning in Clinical Neuroimaging (MLCN 2023)

Seeking Necessary and Sufficient Information from Multimodal Medical Data

从多模态医学数据中寻求必要和充分的信息

Boyu Chen, Weiye Bao, Junjie Liu, Michael Shen, Bo Peng, Paul Taylor, Zhu Li, Mengyue Yang

机构 * University College London, London, UK（伦敦大学学院） ； Imperial College London, London, UK（伦敦帝国学院） ； Mingdu Tech, China（明都科技） ； University of Bristol, Bristol, UK（布里斯托大学） 纠错

AI总结 本文提出通过概率必要性和充分性学习多模态医学数据中的必要和充分特征，以提升模型性能和鲁棒性。

Comments 11 pages, 1 figure. Submitted to MICCAI 2026

ImagiDrive: A Unified Imagination-and-Planning Framework for Autonomous Driving

ImagiDrive: 一种用于自动驾驶的统一想象与规划框架

Jingyu Li, Bozhou Zhang, Xin Jin, Jiankang Deng, Xiatian Zhu, Li Zhang

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Shanghai Innovation Institute（上海创新研究院） ； Eastern Institute of Technology（技术东院） ； Imperial College London（伦敦帝国理工学院） ； University of Surrey（萨里大学） 纠错

AI总结 ImagiDrive通过整合视觉-语言模型和驾驶世界模型，实现自动驾驶中的统一想象与规划循环，提升场景生成和决策预测的准确性与效率。

Comments Accepted for publication in 2026 IEEE International Conference on Robotics and Automation (ICRA)

SuperMAN: Interpretable and Expressive Networks over Temporally Sparse Heterogeneous Data

SuperMAN：基于时间稀疏异构数据的可解释且表达性强的网络

Maya Bechler-Speicher, Andrea Zerio, Maor Huri, Marie Vibeke Vestergaard, Ran Gilad-Bachrach, Tine Jess, Samir Bhatt, Aleksejs Sazonovs

机构 * Meta ； Center of Excellence for Molecular Prediction of IBD (PREDICT)（分子预测IBD中心（PREDICT）） ； Department of Clinical Medicine, Aalborg University（临床医学系，奥胡斯大学） ； Department of Gastroenterology & Hepatology, Aalborg University Hospital（消化内科与肝病科，奥胡斯大学医院） ； University of Copenhagen（哥本哈根大学） ； Imperial College London（伦敦帝国理工学院） ； Department of Biomedical Engineering, Tel-Aviv University（生物医学工程系，特拉维夫大学） ； Sagol School of Neuroscience, Tel-Aviv University（神经科学学院，特拉维夫大学） 纠错

AI总结 SuperMAN通过建模时间稀疏异构数据为隐式图集，提供可解释性和表达性，用于医疗诊断和虚假新闻检测等高风险任务。

Strength Change Explanations in Quantitative Argumentation

量化论证中的强度变化解释

Timotheus Kampik, Xiang Yin, Nico Potyka, Francesca Toni

机构 * Umeå University（乌梅拉大学） ； Imperial College London（伦敦帝国学院） ； Cardiff University（卡迪夫大学） 纠错

AI总结 本文提出强度变化解释方法，用于在定量论证图中实现期望推理结果，通过调整论证强度来达成目标排序，并探讨其正确性与应用限制。

Comments This is an AAMAS '26 paper, with additional supplementary material