Imperial College London（帝国理工学院）

Scalable Bayesian Additive Models for Stellar Flare Detection via Amortized Gaussian Process Inference and Hidden Markov Models

可扩展贝叶斯加性模型：通过摊销高斯过程推理和隐马尔可夫模型进行恒星耀斑检测

Rodrigo Herrera, Vianey Leos-Barajas, Gwendolyn Eadie, Elizaveta Semenova, James Davenport

机构 * Department of Statistical Sciences, University of Toronto（多伦多大学统计科学系） ； Data Sciences Institute, University of Toronto（多伦多大学数据科学研究院） ； School of the Environment, University of Toronto（多伦多大学环境学院） ； David A. Dunlap Department of Astronomy and Astrophysics, University of Toronto（多伦多大学大卫·A·邓拉普天文与天体物理系） ； School of Public Health, Imperial College London（伦敦帝国学院公共卫生学院） ； Department of Astronomy, University of Washington（华盛顿大学天文学系） 纠错

AI总结 提出生成式代理框架，利用变分自编码器压缩Celerite先验，避免精确协方差运算，结合隐马尔可夫模型实现恒星耀斑的高效检测。

Comments Main paper: 19 pages, full paper: 34 pages. 4 appendices. 9 main figures, 21 figures in total. 4 tables. Poster Presenter, SSC 2026 (Statistical Society of Canada Annual Meeting) and ISBA 2026 (International Society for Bayesian Analysis World Meeting)

Collapsed Effective Operators for Higher-order Structures

高阶结构的塌缩有效算子

Maximilian Krahn, Lennart Bastian, Vikas Garg, Björn Schuller, Tolga Birdal

机构 * Department of Computing, Imperial College London（帝国理工学院计算系） ； Aalto University（阿尔托大学） ； Chair of Health Informatics, Technical University of Munich（慕尼黑工业大学健康信息学教席） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； YaiYai Ltd（YaiYai有限公司） 纠错

AI总结 提出通过Schur补将高阶拉普拉斯算子塌缩为顶点级算子，保留正半定性并降低系统能量，在谱聚类、信号平滑和神经网络位置编码中提升性能。

Comments Accepted at ICML 2026

Brain-Adapter: A Dual-Stream Vision-Language MIL Framework for Comprehensive 3D CT Diagnosis of Acute Intracranial Pathologies

Brain-Adapter: 一种用于急性颅内病理综合3D CT诊断的双流视觉-语言MIL框架

Zhenyu Yi, Zhiyun Song, Yusong Sun, Zelin Liu, Manman Fei, Zhenhao Li, Jiaxuan Zhao, Xu Han, Lichi Zhang

机构 * School of Biomedical Engineering, Shanghai Jiao Tong University（上海交通大学生物医学工程学院） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系） 纠错

AI总结 提出Brain-Adapter双流多实例学习框架，利用预训练2D生物医学视觉-语言模型和原始诊断报告，通过文本条件注意力和不确定性感知融合实现3D CT扫描的多标签分类，无需密集标注。

Comments Accepted to MICCAI 2026

C^2GR: Coupled Comprehensive Generative Replay for a Continually Learnable Universal Segmentation Model

C^2GR: 用于持续学习通用分割模型的耦合综合生成回放

Wei Li, Jingyang Zhang, Guoan Wang, Junzhi Ning, Yang Chen, Guang Yang, Lixu Gu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Southeast University（东南大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 针对通用分割模型在任务增量学习中因图像外观和分割目标同时变化导致的遗忘问题，提出C^2GR框架，通过贝叶斯联合扩散和关系感知统一提示同步，合成历史任务图像-掩码对，缓解遗忘，性能仅下降2.44%。

Comments This paper has been submitted to a relevant journal

Distribution-Aware Diffusion-LLM for Robust Ultra-Long-Term Time Series Forecasting

分布感知的扩散-大语言模型用于鲁棒的超长期时间序列预测

Falguni Ghosh, Vahid Hashemi, Bernhard Kainz

机构 * Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学） ； Imperial College London（伦敦帝国学院） ； AUDI AG（奥迪股份公司） 纠错

AI总结 提出Diffusion-LLM框架，将条件扩散模型集成到基于LLM的预测流程中，学习未来数据条件分布并改善语义对齐，在超长期和少样本预测中显著优于现有LLM基线。

Comments 18 pages, 6 figures, 8 tables. Accepted at 35th International Conference on Artificial Neural Networks (ICANN 2026)

Each Judge Its Own Yardstick: Discovering Per-VLM Taxonomies for Physical Video Evaluation

各有所尺：发现用于物理视频评估的每VLM分类体系

Yu Cao, Ziquan Liu, Zhensong Zhang, Jiankang Deng, Shaogang Gong, Jifei Song

机构 * Queen Mary University of London（伦敦玛丽女王大学） ； Huawei Darwin Research Center（华为达尔文研究中心） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 提出JudgeFit方法，通过迭代优化为每个视觉语言模型发现其专属的物理视频评估分类体系，在16个VLM上平均相对提升约32%，并揭示模型特定盲点。

HiMatch-AD: DINOv3-driven Hierarchical Matching for Training-free Medical Anomaly Detection

HiMatch-AD: 基于DINOv3驱动的分层匹配的无训练医学异常检测

Jiayu Huo, Jingyuan Hong, Meng Zhou, Liyun Chen, Le Zhang

机构 * Imperial College London（帝国理工学院） ； SonoScape Medical Corp.（深圳开立生物医疗科技股份有限公司） ； University of Birmingham（伯明翰大学） 纠错

AI总结 提出HiMatch-AD框架，利用DINOv3预训练模型进行分层匹配，通过双分支检索、多阶段分层异常图生成和不确定性融合实现无训练医学异常检测，在BMAD基准上优于现有方法。

Comments 10 pages, 2 figures, 2 tables

Resolving Multi-Target Association in OFDM-based ISAC via Vision-aided Multi-Modal Learning

基于OFDM的ISAC中通过视觉辅助多模态学习解决多目标关联

Meng Hua, Chenghong Bian, Deniz Gunduz

机构 * Department of Electrical and Electronic Engineering, Imperial College London（帝国理工学院电气与电子工程系） ； Department of Electrical and Computer Engineering, Hong Kong University of Science and Technology（香港科技大学电气与计算机工程系） 纠错

AI总结 提出视觉辅助OFDM-ISAC框架，融合无线与视觉模态，通过深度联合源信道编码传输图像、YOLOv5检测目标特征，并利用多模态网络与延迟-多普勒图关联，解决多目标模糊和分辨率限制，实现16cm定位RMSE。

A Multimodal Tiltwing Framework for Bioinspired Aerial Robots

一种用于仿生空中机器人的多模态倾转机翼框架

Krispin C. V. Broers, Sophie F. Armanini

机构 * Imperial College London（伦敦帝国理工学院） 纠错

AI总结 提出一种可切换悬停、高速前飞和高效滑翔的多模态倾转机翼框架，通过双独立扑翼推力矢量控制增强机动性，并采用混合苏格兰轭扑动机构实现宽扑动角度以利用拍合效应。

Comments 18 pages, 23 figures

Embedding Linear Equality Constraints in Probabilistic Neural Networks for Dynamic Modelling

在概率神经网络中嵌入线性等式约束用于动态建模

Matthew Marsh, Benoit Chachuat, Antonio del Rio Chanona

机构 * The Sargent Centre for Process Systems Engineering, Department of Chemical Engineering, Imperial College London, UK（伦敦帝国理工学院化学工程系过程系统工程萨金特中心） 纠错

AI总结 提出一种概率神经网络框架，在给定容差内保证线性等式约束满足并捕捉偶然不确定性，在减少数据时提升预测精度和约束遵守，在大数据时训练更快。

Overcoming Imperfect Kinematics in Surgical Robotics Through Sim-to-Real Visuomotor Learning

通过仿真到现实的视觉运动学习克服手术机器人中的不完美运动学

Zhaoxuan Yan, Kaizhong Deng, Zhaoyang Jacopo Hu, George P. Mylonas, Daniel S. Elson

机构 * Hamlyn Centre for Robotic Surgery, Institute of Global Health Innovation, Imperial College London（伦敦帝国理工学院全球健康创新研究所哈姆林机器人手术中心） ； Department of Surgery and Cancer, Imperial College London（伦敦帝国理工学院外科与癌症系） ； Department of Mechanical Engineering, Imperial College London（伦敦帝国理工学院机械工程系） 纠错

AI总结 提出基于教师-学生框架的视觉运动学习策略，融合不可靠内部读数与精确外部视觉数据，实时补偿运动学误差，在达芬奇研究套件上验证可行性。

Comments Accepted to IEEE International Conference on Robotics and Automation (ICRA) 2026

Towards Dys-XAI: Influence-Based Explanations for Dysarthria Severity Assessment

迈向 Dys-XAI：基于影响的构音障碍严重程度评估解释

Xiaoliang Wu, Qiyang Sun, Yupei Li, Erfan Loweimi, Jennifer Williams, Zhengjun Yue

机构 * University of Southampton（南安普顿大学） ； Imperial College London（帝国理工学院） ； University of Edinburgh（爱丁堡大学） ； King's College London（伦敦国王学院） 纠错

AI总结 提出基于影响的实例级可解释性框架，通过支持性和竞争性训练样本解释构音障碍严重程度评估的深度学习模型决策，并通过删除实验验证解释有效性。

Comments Accepted to Interspeech 2026

TriMotion: Modality-Agnostic Camera Control for Video Generation

TriMotion: 模态无关的摄像机控制用于视频生成

Seunghyun Shin, Jifei Song, Wooseok Jeon, Hae-Gon Jeon, Jiankang Deng

机构 * GIST（光州科学技术院） ； Huawei Noah's Ark Lab（华为诺亚方舟实验室） ； Yonsei University（延世大学） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 提出TriMotion框架，通过将视频、姿态和文本输入映射到共享运动嵌入空间，实现模态无关的摄像机控制视频生成，并引入潜在运动一致性目标，无需像素级解码即可准确跟随目标轨迹。

Comments ECCV Accepted

Evidential Fusion Network for Multimodal Survival Prediction under Missing Modalities

缺失模态下的多模态生存预测证据融合网络

Yucheng Xing, Hailan Mo, Zi Wang, Ling Huang, Mengling Feng

机构 * National University of Singapore（新加坡国立大学） ； Imperial College London（帝国理工学院） 纠错

AI总结 提出EMMS模型，利用Dempster-Shafer理论和高斯随机模糊数融合多模态决策，处理缺失模态下的生存预测，无需生成缺失数据，在四个癌症数据集上达到最优性能并提供校准的不确定性估计。

Substitution-Based Analysis of Structural Novelty for Generative Models of Materials

基于替换分析的材料生成模型结构新颖性评估

Masahiro Negishi, Aron Walsh

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

AI总结 针对无机晶体生成AI模型，提出工作流区分生成晶体是否为训练重复、元素替换产物或全新结构，发现81-92%的生成晶体为重复或替换结构，高对称性系统尤其明显，低对称性新结构可解释为数据丰富区域的插值。

Comments 27 pages (20 pages of main text). See https://github.com/WMD-group/xtaledit for the code

Accurate identification and measurement of the precipitate area by two-stage deep neural networks in novel chromium-based alloys

基于两阶段深度神经网络的新型铬基合金中析出相面积的精确识别与测量

Zeyu Xia, Kan Ma, Sibo Cheng, Thomas Blackburn, Ziling Peng, Kewei Zhu, Weihang Zhang, Dunhui Xiao, Alexander J Knowles, Rossella Arcucci

机构 * Queensland University of Technology（昆士兰科技大学） ； Data Science Institute, Department of Computing, Imperial College London（帝国理工学院数据科学研究所，计算系） ； School of Metallurgy and Materials, University of Birmingham（伯明翰大学冶金与材料学院） ； Institute of Advanced Science Facilities, Shenzhen（深圳先进科学设施研究院） ； Department of Computer Science, University of York（约克大学计算机科学系） ； School of Mathematical Sciences, Tongji University（同济大学数学科学学院） ； Department of Earth Science and Engineering, Imperial College London（帝国理工学院地球科学与工程系） 纠错

AI总结 提出DT-SegNet两阶段深度学习方案，结合YOLOv5和SegFormer，实现电子显微镜图像中析出相的目标检测与分割，显著优于现有工具。

Comments 18 pages, 11 figures. Published in Phys. Chem. Chem. Phys

Journal ref Phys. Chem. Chem. Phys. 25, 15970-15987 (2023)

Few-step Cofolding with All-Atom Flow Maps

少步全原子流图共折叠

Gianluca Scarpellini, Ron Shprints, Peter Holderrieth, Juno Nam, Pranav Murugan, Rafael Gómez-Bombarelli, Tommi Jaakkola, Maruan Al-Shedivat, Nicholas Matthew Boffi, Avishek Joey Bose

机构 * Genesis Molecular AI ； Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Imperial College London（伦敦帝国学院） ； Mila 纠错

AI总结 提出DeCAF框架，将全原子共折叠扩散模型蒸馏为流图，仅需几步推理即可生成高质量样本，并通过奖励引导搜索提升采样质量。