Imperial College London（帝国理工学院）

Unleashing Video Language Models for Fine-grained HRCT Report Generation

释放视频语言模型以生成细粒度HRCT报告

Yingying Fang, Huichi Zhou, KinHei Lee, Yijia Wang, Zhenxuan Zhang, Jiahao Huang, Guang Yang

机构 * Bioengineering Department, Imperial College London, London, UK School of Biomedical Engineering \& lmaging Sciences, King's College London, London,UK 纠错

AI总结 本文提出AbSteering框架，通过异常中心方案和直接偏好优化目标，提升视频语言模型在HRCT报告生成中的精度与细粒度区分能力，优于现有领域特定CT基础模型。

Conditional Variational Diffusion Models

条件变分扩散模型

Gabriel della Maggiora, Luis Alberto Croquevielle, Nikita Deshpande, Harry Horsley, Thomas Heinis, Artur Yakimovich

机构 * Center for Advanced Systems Understanding (CASUS)（先进系统理解中心） ； Helmholtz-Zentrum Dresden-Rossendorf e. V. (HZDR)（德累斯顿-罗斯托克亥姆霍尔茨研究中心） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算机系） ； Bladder Infection and Immunity Group (BIIG), UCL Centre for Kidney and Bladder Health（膀胱感染与免疫组（BIIG），UCL肾与膀胱健康中心） ； Division of Medicine, University College London（伦敦大学学院医学系） ； Institute of Computer Science, University of Wrocław（沃斯克大学计算机科学研究所） 纠错

AI总结 本文提出一种在训练过程中学习方差调度的方法，用于解决逆问题，适用于超分辨率显微镜和定量相成像，实现高质量解决方案。

Comments Denoising Diffusion Probabilistic Models, Inverse Problems, Generative Models, Super Resolution, Phase Quantification, Variational Methods

Journal ref In The Twelfth International Conference on Learning Representations. 2023

Relax Forcing: Relaxed KV-Memory for Consistent Long Video Generation

放松强制：用于一致长视频生成的放松KV内存

Zengqun Zhao, Yanzuo Lu, Ziquan Liu, Jifei Song, Jiankang Deng, Ioannis Patras

机构 * Queen Mary University of London（伦敦玛丽女王大学） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 本文提出Relax Forcing机制，通过结构化时间内存提升长视频生成的运动动态和时间一致性，减少注意力开销。

Comments Project page: see https://zengqunzhao.github.io/Relax-Forcing

Generalized Discrete Diffusion from Snapshots

从快照出发的广义离散扩散

Oussama Zekri, Théo Uscidda, Nicolas Boullé, Anna Korba

机构 * Department of Mathematics, Imperial College London（伦敦帝国学院数学系） 纠错

AI总结 本文提出GDDS框架，统一了离散扩散模型，支持任意噪声过程，提升了训练效率和生成质量，首次超越自回归模型。

Comments 37 pages, 6 figures, 13 tables

Positional Segmentor-Guided Counterfactual Fine-Tuning for Spatially Localized Image Synthesis

基于位置分割器的反事实微调用于空间局部化图像合成

Tian Xia, Matthew Sinclair, Andreas Schuh, Fabio De Sousa Ribeiro, Raghav Mehta, Rajat Rasal, Esther Puyol-Antón, Samuel Gerber, Kersten Petersen, Michiel Schaap, Ben Glocker

机构 * Department of Computing, Imperial College London, UK（帝国理工学院 computing 部，英国） ； HeartFlow, Inc., Mountain View, CA, USA（HeartFlow 公司，美国加州山景城） 纠错

AI总结 本文提出Positional Seg-CFT，通过将每个结构细分为区域并独立测量每个区域，实现空间局部化的反事实生成，提升冠状动脉CT血管造影中疾病建模的精细空间控制。

On Arbitrary Predictions from Equally Valid Models

关于等效模型中任意预测的探讨

Sarah Lockfisch, Kristian Schwethelm, Martin Menten, Rickmer Braren, Daniel Rueckert, Alexander Ziller, Georgios Kaissis

机构 * Hasso Plattner Institute, University of Potsdam, Germany（波茨坦大学霍索普纳研究所，德国） ； Chair for AI in Healthcare and Medicine, Technical University of Munich, Germany（慕尼黑技术大学医学与健康人工智能教研室，德国） ； BioMedIA, Imperial College London, United Kingdom（伦敦帝国理工学院BioMedIA，英国） ； Munich Center for Machine Learning, Germany（慕尼黑机器学习中心，德国） ； Universitätsklinikum Hamburg-Eppendorf, Germany（汉堡-埃彭多夫大学医院，德国） 纠错

AI总结 本文研究了医疗任务中等效模型预测多样性的影响因素及缓解方法，发现小规模集成模型能有效减少预测分歧，提高诊断可靠性。

A Probabilistic Approach to Wildfire Spread Prediction Using a Denoising Diffusion Surrogate Model

基于去噪扩散替代模型的 wildfire 传播预测概率方法

Wenbo Yu, Anirbit Ghosh, Tobias Sebastian Finn, Rossella Arcucci, Marc Bocquet, Sibo Cheng

机构 * CEREA, ENPC, EDF R&D, Institut Polytechnique de Paris（CEREA、ENPC、EDF R&D、巴黎理工学院） ； Department of Earth Science & Engineering, Imperial College London（帝国理工学院伦敦地球科学与工程系） ； Department of Computing, Imperial College London（帝国理工学院伦敦计算机科学系） ； Data Science Institute, Imperial College London（帝国理工学院伦敦数据科学研究院） 纠错

AI总结 本文提出首个去噪扩散模型用于预测野火传播，通过模拟多种可能场景，考虑野火动态的不确定性，优于传统确定性方法。

Journal ref Geosci. Model Dev., 19, 1027-1054, 2026