Steering Optimisation Trajectories in Diffusion Representation Learning
引导扩散表示学习中的优化轨迹
机构 * Imperial College London（伦敦帝国理工学院）
AI总结 该研究探究扩散自编码器图像质量相近但潜在结构差异大的成因，提出SteeringDRL方法，通过门控残差U-Net和噪声水平课程引导优化，提升表示质量并降低种子敏感性。
高校专区
Imperial College London（帝国理工学院）
Air Quality Downscaling with Station-Guided Pseudo-Supervision
基于站点引导伪监督的空气质量降尺度方法
机构 * Imperial College London（伦敦帝国理工学院） ； The Cyprus Institute（塞浦路斯研究所） ； Northeastern University London（伦敦东北大学） ； University of Cyprus（塞浦路斯大学）
AI总结 针对粗粒度大气场超分PM₂.₅的空间支持失配问题，该研究结合多源侧信息，提出站点引导框架实现高分辨率PM₂.₅降尺度与偏差校正，有效还原细粒度空间结构。
Erasing Without Collateral Damage: Precise Concept Removal in Diffusion Models
无附带损害擦除：扩散模型中的精确概念移除
机构 * School of Computer Science, University of Nottingham（诺丁汉大学计算机科学学院） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系）
AI总结 针对无训练概念擦除易损害相关非目标概念的问题，提出CARE闭式算子，在交叉注意力值空间实现精确擦除，无模型微调，可更好保留非目标概念。
How Many Initial Points Does Bayesian Optimization Need?
贝叶斯优化需要多少初始点？
机构 * Korea Advanced Institute of Science & Technology (KAIST)（韩国科学技术院） ； HayanMind Inc.（哈扬思维公司） ； Technical University of Nuremberg (UTN)（纽伦堡工业大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Helmholtz Munich（亥姆霍兹慕尼黑中心） ； Imperial College London（伦敦帝国理工学院）
AI总结 研究贝叶斯优化初始点数量选择问题，发现初始点数量与总成本呈U型关系，不同超参数和采集函数都存在此权衡，汤普森采样是例外，还给出实用建议。
Comments 4 pages. Accepted at the ICML 2026 Workshop on Decision-Making from Offline Datasets to Online Adaptation
SoftVTBench: A Safety-Aware Visuo-Tactile Benchmark for Physically Constrained Robotic Manipulation of Deformable Objects
SoftVTBench：用于物理约束下可变形物体机器人操作的安全感知视觉触觉基准测试
机构 * Tuojing Intelligence（拓景智能） ； Tsinghua University（清华大学） ； King’s College London（伦敦国王学院） ； Southeast University（东南大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Manchester（曼彻斯特大学） ； Simple AI（简单人工智能公司） ； Imperial College London（伦敦帝国学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Zhejiang University（浙江大学） ； Beihang University（北京航空航天大学） ； The University of Hong Kong（香港大学）
AI总结 研究物理约束下可变形物体操作，提出SoftVTBench基准测试，通过有限元模拟可变形物体，定义任务套件，分别报告目标成功和安全成功，实现基线并实验，表明仅成功评估高估策略性能，触觉传感可提升安全性。
Neural LiDAR Bundle Adjustment
神经激光雷达光束平差
机构 * Imperial College London（伦敦帝国理工学院）
AI总结 研究探索RGB NeRFs和LiDAR NeRFs关键设计差异，发现体素采样密度对LiDAR NeRF重要，据此提出Neural LiDAR Bundle Adjustment算法，实验证明其在多视点云配准和3D映射中有出色性能。
Comments 8 pages, 8 figures, 4 tables
Efficient bias mitigation in T2I diffusion models using Concept Graphs
使用概念图在文本到图像扩散模型中有效减轻偏差
机构 * Department of Computing Imperial College London（伦敦帝国理工学院计算系）
AI总结 研究文本到图像扩散模型偏差问题，提出基于概念图对齐的CO-ALIGN方法，在模型内部概念本体上操作，能有效减轻偏差并保留生成完整性，性能优于现有技术。
Scalable Differentially Private Data Compression via Diffusion and Stochastic Codes
通过扩散和随机码实现可扩展的差分隐私数据压缩
机构 * Imperial College London（帝国理工学院）
AI总结 针对高维数据压缩难题，提出结合随机码与扩散模型的DP-DiPP压缩管道，通过扩展泊松私有表示并结合DiffC，实现差分隐私图像压缩，实验表明其性能远超基线。
Comments To appear in ICML 2026 Workshop on Structured Probabilistic Inference & Generative Modeling
Conversational Human Audio-visual Talking Dialogue Generation
对话式人类视听对话生成
机构 * Department of Computing, Imperial College London（伦敦帝国理工学院计算系） ； Department of Earth Science & Engineering, Imperial College London（伦敦帝国理工学院地球科学与工程系） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Department of Computer Science, Heriot-Watt University（赫瑞瓦特大学计算机科学系） ； School of Computer Science, Northumbria University（诺森比亚大学计算机科学学院） ； College of Computer Science & Software Engineering, Shenzhen University（深圳大学计算机科学与软件学院） ； School of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院） ； Guangdong Provincial Key Laboratory of Intelligent Information Processing, Shenzhen University（深圳大学广东省智能信息处理重点实验室） ； School of Engineering and Design, Hunan Normal University（湖南师范大学工程与设计学院） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Computer Science, University of Exeter（埃克塞特大学计算机科学系）
AI总结 提出CHAT框架，统一大语言模型和说话人脸模型，通过交互音频和面部行为细化模块，从单一文本提示生成多样、配对且相互响应的语音-面部对话片段，优于现有方法，合成数据集可作预训练数据。
Comments Accepted to ECCV 2026 as a main paper
Dual-Adaptive SAM3: Hierarchical Routing over Low-Rank Expert Layers for Parameter-Efficient Medical Image Segmentation
双自适应SAM3：基于低秩专家层的分层路由用于参数高效的医学图像分割
机构 * Shenzhen Research Institute, The Chinese University of Hong Kong（香港中文大学深圳研究院） ； University of Science and Technology of China（中国科学技术大学） ； Nanyang Technological University（南洋理工大学） ； Imperial Global Singapore (IGS), Imperial College London（伦敦帝国理工学院新加坡帝国全球（IGS））
AI总结 提出双自适应SAM3框架，通过任务感知的动态专家路由器和参数感知的分解参数化专家设计，兼顾分割精度与参数效率，在医学图像分割上有高表现。
Comments Accepted by MICCAI 2026
Inpainting U-Net for seamless pedestrian-level wind prediction across urban morphologies
用于跨城市形态的无缝行人级风速预测的修复U-Net
机构 * Department of Civil and Environmental Engineering, Imperial College London（伦敦帝国理工学院土木与环境工程系） ； Department of Earth Science and Engineering, Applied Modelling and Computation Group, Imperial College London（伦敦帝国理工学院地球科学与工程系应用建模与计算组）
AI总结 研究针对行人级风速预测，开发两阶段U-Net框架。先由基线U-Net逐块预测，再用基于修复的U-Net改进，减少块边界不连续性，为跨城市形态的高分辨率行人级风速预测提供了高效灵活的替代模型。
Entropy Regularization Improves Policy Robustness in Continuous-Time Reinforcement Learning
熵正则化提高连续时间强化学习中的策略鲁棒性
机构 * University of Edinburgh（爱丁堡大学） ； J.P. Morgan AI Research（摩根大通人工智能研究） ； Imperial College London（伦敦帝国理工学院）
AI总结 研究连续时间强化学习中熵正则化的策略鲁棒性，建立相关理论保证，分析鲁棒集特性，实验验证其有效性。
Complexity of Normalized Persistence Problems for Topological Data Analysis and Local Hamiltonians
拓扑数据分析和局部哈密顿量的归一化持久性问题的复杂性
机构 * Blackett Laboratory, Imperial College London（帝国理工学院伦敦分校黑克特实验室） ； Department of Computing, Imperial College London（帝国理工学院伦敦分校计算系） ； Yukawa Institute for Theoretical Physics & The Hakubi Center, Kyoto University（京都大学山梨研究所及 Hakubi 中心）
AI总结 研究归一化持久性问题，证明其变体是$\mathsf{DQC}_1$-难且含于$\mathsf{BQP}$，揭示与局部哈密顿量低能子空间谱量估计复杂性的联系，还介绍$\mathsf{SDQC}_1$刻画精确核归一化问题的硬度。
Comments 61 pages, 4 figures
MPINeuralODE: Multiple-Initial-Condition Physics-Informed Neural ODEs for Globally Consistent Dynamical System Learning
MPINeuralODE：多初始条件物理信息神经ODE用于全局一致的动力系统学习
机构 * Department of Chemical Engineering, Imperial College London（帝国理工学院伦敦校区化学工程系）
AI总结 本文提出MPINeuralODE，结合软物理信息残差和多初始条件多步学习策略，有效提升动力系统学习的泛化能力与稳定性，实验显示其在样本外误差、长时域稳定性及哈密顿漂移方面表现优异。
Preconditioned Inexact Stochastic ADMM for Deep Model
预条件近似随机ADMM用于深度模型
机构 * School of Mathematics and Statistics, Beijing Jiaotong University, China（北京交通大学数学与统计学院，中国） ； ITP Lab, Department of EEE, Imperial College London, UK（帝国理工学院伦敦分校电子工程系ITP实验室，英国） ； National Mobile Communications Research Laboratory, Southeast University, China（东南大学国家移动通信研究实验室，中国）
AI总结 本文提出PISA算法，通过预条件技术解决分布式数据异质性问题，提升深度模型训练效率。
OpenSIR: Open-Ended Self-Improving Reasoner
OpenSIR: 开放式自我改进推理器
机构 * University of Edinburgh（爱丁堡大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 提出OpenSIR框架，通过多样性奖励和难度校准实现开放式自我对弈，无需外部验证器或标注数据，在七个数学基准上平均提升指令模型3.6分、推理模型3.1分，且唯一能泛化到通用推理。
