Imperial College London（帝国理工学院）

RAVEN: Real-time Autoregressive Video Extrapolation with Consistency-model GRPO

RAVEN: 实时自回归视频外推与一致性模型GRPO

Yanzuo Lu, Ronglai Zuo, Jiankang Deng

机构 * Imperial College London（伦敦帝国学院） 纠错

AI总结 RAVEN通过将自回归视频扩散模型的训练与测试过程结合，提升长时视频生成质量。CM-GRPO方法优化一致性采样，提高生成效果。

Comments Project Page: https://yanzuo.lu/raven

Directional Confusions Reveal Divergent Inductive Biases Through Rate-Distortion Geometry in Human and Machine Vision

方向性混淆揭示人类和机器视觉中通过率-失真几何的分歧归纳偏倚

Leyla Roksan Caglar, Pedro A. M. Mediano, Baihan Lin

机构 * Cranberry-Lemon University（Cranberry-Lemon 大学） ； Department of Computer Science（计算机科学系） ； Icahn School of Medicine at Mount Sinai（Mount Sinai 医学院） ； Department of AI and Human Health（人工智能与人类健康系） ； Imperial College London（伦敦帝国学院） ； Department of Computing（计算系） ； Department of Psychiatry（精神病学系） 纠错

AI总结 研究通过分析人类和机器视觉在分类任务中的方向性混淆，揭示了率-失真几何对归纳偏倚的影响，发现人类和深度学习模型在混淆矩阵的不对称性上有显著差异。

From User Preferences to Base Score Extraction Functions in Gradual Argumentation (with Appendix)

从用户偏好到基础分数提取函数在渐进论证中的应用（附录）

Aniol Civit, Antonio Rago, Antonio Andriella, Guillem Alenyà, Francesca Toni

机构 * King's College London（伦敦国王学院） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 本文提出基础分数提取函数，通过用户对论证的偏好映射到基础分数，构建定量双极论证框架，以提升渐进论证的计算工具应用，并探讨其设计与实验评估。

Comments Accepted to AAMAS 2026 - With Appendix

Addressing Terminal Constraints in Data-Driven Demand Response Scheduling

应对数据驱动需求响应调度中的终端约束

Maximilian Bloor, Martha White, Ehecatl Antonio del Rio Chanona, Calvin Tsay

机构 * Sargent Centre for Process Systems Engineering, Imperial College London, London, SW7 2AZ, UK（过程系统工程中心，伦敦帝国理工学院，伦敦，SW7 2AZ，英国） ； Department of Computer Science, University of Alberta, Edmonton, AB, Canada（计算机科学系，阿尔伯塔大学，埃德蒙顿，AB，加拿大） ； Department of Computing, Imperial College London, London, SW7 2AZ, UK（计算系，伦敦帝国理工学院，伦敦，SW7 2AZ，英国） 纠错

AI总结 本文提出结合目标空间规划与深度确定性策略梯度方法，通过学习时间抽象模型解决数据驱动调度中终端约束问题，提升样本效率并缓解短视控制行为。

Comments Accepted to IFAC World Congress 2026

Towards Fine-Grained and Verifiable Concept Bottleneck Models

面向细粒度和可验证的概念瓶颈模型

Yingying Fang, Haijie Xu, Shuang Wu, Mariathasan Anish, Guang Yang

机构 * Bioengineering Department（生物工程部门） ； Imperial-X, Imperial College London, London, UK（帝国理工学院伦敦校区） ； Thoughtworks AI Labs, Singapore（Thoughtworks AI实验室，新加坡） 纠错

AI总结 本文提出细粒度概念瓶颈模型框架，通过局部视觉证据 grounding 每个概念，提升模型透明度与可验证性，实验显示其概念空间信息完整且预测性能优异。

Comments 10 pages, 4 figures

Pro-DG: Procedural Diffusion Guidance for Architectural Facade Generation

Pro-DG：基于过程扩散引导的建筑立面生成

Aleksander Plocharski, Jan Swidzinski, Przemyslaw Musialski

机构 * Warsaw University of Technology（华沙技术大学） ； Akces NCBR ； Imperial College London（伦敦帝国理工学院） ； New Jersey Institute of Technology（新泽西理工学院） 纠错

AI总结 本文提出Pro-DG方法，通过层次化过程规则生成控制图，实现建筑立面的真实感生成，支持结构编辑如楼层复制和窗户重排，经评估验证其在保持建筑身份和精确编辑方面的优越性。

Comments 17 pages, 15 figures, Computer Graphics Forum 2026 Journal Paper