Imperial College London（帝国理工学院）

The Exponentially Weighted Signature

指数加权签名

Alexandre Bloch, Samuel N. Cohen, Terry Lyons, Joël Mouterde, Benjamin Walker

机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系） ； SKF 纠错

AI总结 本文提出指数加权签名，通过引入一般有界线性算子扩展指数衰减记忆签名，实现更丰富的记忆动态，保留经典签名的代数优势，并展示其在SDE回归任务中的表达能力。

Comments 43 pages, 1 figure

ATG-MoE: Autoregressive trajectory generation with mixture-of-experts for assembly skill learning

ATG-MoE：基于混合专家的自主轨迹生成用于装配技能学习

Weihang Huang, Chaoran Zhang, Xiaoxin Deng, Hao Zhou, Zhaobo Xu, Shubo Cui, Long Zeng

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Faculty of Engineering, Imperial College London（伦敦帝国理工学院工程学院） 纠错

AI总结 本文提出ATG-MoE，通过混合专家架构实现多技能整合，解决传统方法在多阶段设计和多技能整合能力上的不足，实验显示其在模拟和实际应用中均表现优异。

Comments 32 pages, 13 figures

ViTac-Tracing: Visual-Tactile Imitation Learning of Deformable Object Tracing

ViTac-Tracing：变形物体追踪的视觉-触觉模仿学习

Yongqiang Zhao, Haining Luo, Yupeng Wang, Emmanouil Spyrakos Papastavridis, Yiannis Demiris, Shan Luo

机构 * Robot Perception Laboratory, Department of Engineering, King’s College London（机器人感知实验室，工程系，伦敦国王学院） ； Personal Robotics Laboratory, Department of Electrical and Electronic Engineering, Imperial College London（个人机器人实验室，电子与电气工程系，伦敦帝国学院） 纠错

AI总结 本文提出一种视觉-触觉模仿学习方法，实现变形物体的一维和二维追踪。通过局部和全局视角结合视觉与触觉感知，提升细粒度调整并优化任务进度，实验表明在多种变形物体上达到80%和65%的成功率。

Comments The paper has been accepted by ICRA2026

Affect Decoding in Phonated and Silent Speech Production from Surface EMG

从表面EMG解码有声和无声言语中的情感表达

Simon Pistrosch, Kleanthis Avramidis, Zhao Ren, Tiantian Feng, Jihwan Lee, Monica Gonzalez-Machorro, Anton Batliner, Tanja Schultz, Shrikanth Narayanan, Björn W. Schuller

机构 * 1 CHI -- Chair of Health Informatics, TUM University Hospital, Munich, Germany 2 SAIL -- Signal Analysis ； Interpretation Lab, University of Southern California, USA 3 CSL -- Cognitive Systems Lab, University of Bremen, Germany 4 GLAM -- Group on Language, Audio, \& Music, Imperial College London, UK 5 MCML -- Munich Center for Machine Learning, Germany 纠错

AI总结 研究通过表面EMG分析有声和无声言语中的面部和颈部肌肉活动，揭示情绪对发音执行的影响，发现EMG表示在区分愤怒时达到0.845的AUC，展示了无发音语音接口的潜力。

LGESynthNet: Controlled Scar Synthesis for Improved Scar Segmentation in Cardiac LGE-MRI Imaging

LGESynthNet：用于改进心脏LGE-MRI成像瘢痕分割的受控瘢痕合成

Athira J. Jacob, Puneet Sharma, Daniel Rueckert

机构 * Digital Technology and Innovation, Siemens Healthineers（西门子医疗数字化技术与创新部） ； Al in Healthcare and Medicine, Klinikum rechts der Isar, Technical University of Munich（医疗与医学AI，慕尼黑工业大学右侧医院） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算机系） 纠错

AI总结 本文提出LGESynthNet，一种基于潜在扩散模型的可控合成框架，通过奖励模型、提示模块和生物医学文本编码器，利用少量标注数据生成高质量瘢痕图像，提升后续分割和检测性能。

Comments Accepted at MICCAI STACOM workshop 2025

Embodied Foundation Models at the Edge: A Survey of Deployment Constraints and Mitigation Strategies

边缘端具身基础模型：部署约束及缓解策略综述

Utkarsh Grover, Ravi Ranjan, Mingyang Mao, Trung Tien Dong, Satvik Praveen, Zhenqi Wu, J. Morris Chang, Tinoosh Mohsenin, Yi Sheng, Agoritsa Polyzou, Eiman Kanjo, Xiaomin Lin

机构 * University of South Florida（佛罗里达州立大学） ； Florida International University（佛罗里达国际大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Nottingham Trent University（诺丁汉特伦特大学） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 本文综述了在边缘端部署具身基础模型时面临的系统性约束及缓解策略，重点探讨了内存带宽、计算延迟和执行成本等关键因素对自动回归视觉-语言-动作策略和扩散控制器的影响，强调了内存、调度、通信和模型架构的协同设计的重要性。

Latent Causal Modeling for 3D Brain MRI Counterfactuals

潜在因果建模用于3D脑MRI反事实

Wei Peng, Tian Xia, Fabio De Sousa Ribeiro, Tomas Bosschieter, Ehsan Adeli, Qingyu Zhao, Ben Glocker, Kilian M. Pohl

机构 * Stanford University（斯坦福大学） ； Weill Cornell Medicine（韦尔·科恩医学中心） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 本文提出一种两阶段方法，在潜在空间中构建结构因果模型，利用VQ-VAE学习MRI体积的紧凑嵌入，并通过闭式广义线性模型生成高质量3D脑MRI反事实。