Imperial College London（帝国理工学院）

Dual-Control Frequency-Aware Diffusion Model for Depth-Dependent Optical Microrobot Microscopy Image Generation

双控频率感知扩散模型用于深度依赖光学微机器人显微图像生成

Lan Wei, Zongcai Tan, Kangyi Lu, Jian-Qing Zheng, Dandan Zhang

机构 * Department of Bioengineering, Imperial-X AI Initiative, Imperial College London（帝国理工学院生物工程系、Imperial-X人工智能计划） ； CAMS-Oxford Institute, University of Oxford（牛津大学CAMS-Oxford研究所） 纠错

AI总结 本文提出Du-FreqNet，通过双控频率感知扩散模型生成物理一致的显微图像，提升微机器人自主操作的3D感知能力，改进SSIM并增强下游任务性能。

Micro-Dexterity in Biological Micromanipulation: Embodiment, Perception, and Control

生物微操作中的微细灵巧性：具身、感知与控制

Kangyi Lu, Lan Wei, Zongcai Tan, Dandan Zhang

机构 * Department of Bioengineering, Imperial-X AI Initiative, Imperial College London（帝国理工学院生物工程系、Imperial-X人工智能计划） 纠错

AI总结 研究探讨生物微操作中微细灵巧性的分析框架，分析具身、感知与控制的耦合作用，比较不同微操作系统的架构，并识别实验室演示与临床相关生物操作间的灵巧性差距。

Evaluating the Impact of Medical Image Reconstruction on Downstream AI Fairness and Performance

评估医学图像重建对下游AI公平性和性能的影响

Matteo Wohlrapp, Niklas Bubeck, Daniel Rueckert, William Lotter

机构 * Department of Data Science, Dana-Farber Cancer Institute（丹娜-法伯癌症研究所数据科学系） ； AI in Medicine, Technical University of Munich（慕尼黑工业大学医学人工智能） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 研究通过结合重建与诊断AI模型，评估不同重建方法对下游任务性能和公平性的影响，发现传统指标无法准确反映任务表现，且重建可能放大性别偏见，但整体偏移量较小。

Comments Proceedings of the Medical Imaging with Deep Learning (MIDL) Conference 2026

HO-Flow: Generalizable Hand-Object Interaction Generation with Latent Flow Matching

HO-Flow：基于潜在流匹配的通用手-物体交互生成

Zerui Chen, Rolandos Alexandros Potamias, Shizhe Chen, Jiankang Deng, Cordelia Schmid, Stefanos Zafeiriou

机构 * Imperial College London（帝国理工学院） ； Inria, CNRS, ENS-PSL（法国国家信息与自动化研究所，法国国家科学研究中心，巴黎高等师范学院） 纠错

AI总结 本文提出HO-Flow框架，通过结合变分自编码器和流匹配模型，实现从文本和标准3D物体生成逼真手-物体交互运动序列，提升物理合理性和运动多样性。

Comments Project Page: https://zerchen.github.io/projects/hoflow.html

Learning and Enforcing Context-Sensitive Control for LLMs

学习与强制上下文敏感控制用于大语言模型

Mohammad Albinhassan, Pranava Madhyastha, Mark Law, Alessandra Russo

机构 * Imperial College London（伦敦帝国学院） ； City University of London（伦敦城市大学） ； ILASP Limited, UK（英国ILASP有限公司） ； The Alan Turing Institute（艾伦·图灵研究所） 纠错

AI总结 本文提出一种自动学习上下文敏感约束的框架，通过两阶段过程提升LLM生成的有效性，使小型模型也能完美遵守约束，优于其他方法。

Comments ACL 2025 Student Research Workshop

Journal ref Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 4: Student Research Workshop), pages 834-842, 2025

DeepShapeMatchingKit: Accelerated Functional Map Solver and Shape Matching Pipelines Revisited

DeepShapeMatchingKit：加速的功能映射求解器和形状匹配流程再审视

Yizheng Xie, Lennart Bastian, Congyue Deng, Thomas W. Mitchel, Maolin Gao, Daniel Cremers

机构 * Technical University of Munich（慕尼黑工业大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； MIT（麻省理工学院） ； Adobe ； Imperial College London（帝国理工学院） ； Simon Fraser University（西蒙菲莎大学） 纠错

AI总结 本文提出了一种向量化方法，通过单次核调用解决所有线性系统，提升计算效率，并分析了DiffusionNet的空间梯度特征差异，提供了改进的开源代码库。

Comments 10 pages, 8 figures, CVPR 2026 Image Matching Workshop (IEEE proceedings)

Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT

隐匿与寻找归因：基于弱监督的CT椎体转移瘤分割

Matan Atad, Alexander W. Marka, Lisa Steinhelfer, Anna Curto-Vilalta, Yannik Leonhardt, Sarah C. Foreman, Anna-Sophia Walburga Dietrich, Robert Graf, Alexandra S. Gersing, Bjoern Menze, Daniel Rueckert, Jan S. Kirschke, Hendrik Möller

机构 * Institute of Neuroradiology, TUM University Hospital, School of Medicine and Health, Technical University of Munich (TUM)（慕尼黑工业大学大学医院神经放射学研究所，医学与健康学院，慕尼黑工业大学） ； Chair for AI in Healthcare and Medicine, TUM and TUM University Hospital（慕尼黑工业大学及大学医院医疗与医学人工智能教席） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Institute of Diagnostic and Interventional Radiology, TUM University Hospital, School of Medicine and Health, Technical University of Munich (TUM)（慕尼黑工业大学大学医院诊断与介入放射学研究所，医学与健康学院，慕尼黑工业大学） ； Department of Neuroradiology, University Hospital Munich (LMU)（慕尼黑大学医院神经放射学系） ； Department of Quantitative Biomedicine, University of Zurich（苏黎世大学定量生物医学系） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系） ； Department of Diagnostic and Interventional Radiology, University Hospital Frankfurt（法兰克福大学医院诊断与介入放射学系） ； Department of Orthopedics and Sports Orthopedics, TUM University Hospital, School of Medicine and Health, Technical University of Munich (TUM)（慕尼黑工业大学大学医院骨科与运动骨科，医学与健康学院，慕尼黑工业大学） 纠错

AI总结 本文提出一种基于椎体级别标签的弱监督分割方法，通过扩散自编码器和像素差异图识别可疑病变区域，利用隐匿与寻找归因机制在数据流形上投影并量化恶性贡献，实现高精度的椎体转移瘤分割。

Comments Accepted to MIDL 2026

Data Mixing Agent: Learning to Re-weight Domains for Continual Pre-training

数据混合代理：学习重新加权领域以实现持续预训练

Kailai Yang, Xiao Liu, Lei Ji, Hao Li, Xiao Liang, Zhiwei Liu, Yeyun Gong, Peng Cheng, Mao Yang

机构 * The University of Manchester（曼彻斯特大学） ； Microsoft Research（微软研究院） ； Imperial College London（伦敦帝国学院） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 本文提出数据混合代理，通过强化学习学习重新加权领域，实现持续预训练中的平衡性能，优于现有基线方法，并在未见过的领域中表现良好。

Comments Accepted by the ACL 2026 main conference

Improving understanding and trust in AI: How users benefit from interval-based counterfactual explanations

提升对人工智能的理解与信任：用户如何从基于区间的反事实解释中受益

Tabea E. Röber, Paul Festor, Rob Goedhart, S. İlker Birbil, Aldo Faisal

机构 * Department of Bioengineering, Imperial College London（伦敦帝国理工学院生物工程系） ； Institute of Artificial and Human Intelligence, University of Bayreuth（拜罗伊特大学人工智能与人类智能研究所） 纠错

AI总结 本研究通过实验评估不同后验解释类型对模型理解及信任的影响，发现区间解释在提升理解和信任方面优于其他类型。

Sparse clustering via the Deterministic Information Bottleneck algorithm

通过确定性信息瓶颈算法进行稀疏聚类

Efthymios Costa, Ioanna Papatsouma, Angelos Markos

机构 * Imperial College London（伦敦帝国理工学院） ； Democritus University of Thrace（德谟克利特大学） 纠错

AI总结 本文提出一种信息论框架，解决稀疏数据下的特征加权与聚类问题，通过合成数据和基因组数据验证了方法的有效性。

Comments Submitted to IFCS 2026 (8 pages total)