高校专区
利用稀疏传感器重建屋顶风场：从确定性到生成学习方法
机构 * Department of Computing, Imperial College London（帝国理工学院伦敦分校计算机系） ； Institute of Industrial Science, The University of Tokyo（东京大学工业科学研究所） ； CEREA, ENPC, EDF R&D, Institut Polytechnique de Paris（巴黎理工学院伊夫林-法兰西大区研究中心）
AI总结 本文通过风洞实验数据开发了基于观测的学习框架，比较了Kriging插值与UNet、ViTAE和CWGAN等深度学习模型在稀疏传感器下的屋顶风场重建效果，发现深度学习方法在SSIM、FAC2和NMSE指标上均优于Kriging插值。
MaDiS：驯服掩码扩散语言模型用于手语生成
机构 * Imperial College London（伦敦帝国学院）
AI总结 本文提出MaDiS，一种基于掩码扩散的语言模型，用于手语生成，通过双向依赖捕捉和高效并行多令牌生成，提升生成效率和质量，同时引入三级交叉模态预训练方案和混合部分嵌入层，实现多层级手语表示。
从4D速度测距学习孔隙尺度多相流
机构 * Department of Earth Science and Engineering, Imperial College London（帝国理工学院伦敦地球科学与工程系） ； Department of Geology, Ghent University（根特大学地质系） ； Department of Energy Science and Engineering, Stanford University（斯坦福大学能源科学与工程系） ； Department of Computer Science, Yale University（耶鲁大学计算机科学系） ； NVIDIA
AI总结 本文提出一种多模态学习框架，通过4D微速度测距数据直接推断多相孔隙流，结合图网络模拟和3D U-Net，实现快速预测，为地下碳和氢存储提供高效工具。
一种包含实例分割掩码的药物图像数据集，用于预防不良药物事件
机构 * City St George’s, University of London, School of Science & Technology（伦敦城市圣乔治学院科学与技术学院） ； City St George’s, University of London, School of Health & Medical Sciences（伦敦城市圣乔治学院健康与医学科学学院） ； Imperial College London, Dept of Computer Science（伦敦帝国学院计算机科学系）
AI总结 MEDISEG提供包含实例分割掩码的药物图像数据集，用于提升AI在药物识别中的性能和鲁棒性。
Comments 25 pages, 19 figures. Submitted to Scientific Data (Nature Portfolio)
自适应操控潜力与触觉估计用于工具中介交互
机构 * School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院） ； Imperial College of Science, Technology and Medicine（帝国理工学院科学、技术与医学学院）
AI总结 本文提出了一种基于参数化平衡流形的闭环框架，通过自适应操控潜力和触觉SLAM实现工具中介交互中的触觉估计与自适应刚度控制。
Gemma需要帮助：调查并缓解大语言模型中的情绪不稳定
机构 * Imperial College London（伦敦帝国理工学院） ； Anthropic
AI总结 研究发现Gemma模型在训练后表现出显著情绪不稳定，通过偏好优化可有效缓解，但需进一步改进训练以提升情绪鲁棒性。
从数据统计到特征几何：相关性如何塑造叠加
机构 * Imperial College London（帝国理工学院伦敦分校）
AI总结 通过Bag-of-Words Superposition研究特征相关性对叠加的影响，揭示现实数据中叠加可产生建设性干扰和语义聚类。
无图像，无问题：端到端多任务心脏分析从欠采样k空间
机构 * Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM) and TUM University Hospital（人工智能在医疗与医学中的研究中心，慕尼黑技术大学（TUM）及慕尼黑大学医院） ； Department of Computing, Imperial College London（计算系，伦敦帝国学院） ； Munich Center for Machine Learning, Technical University of Munich（慕尼黑机器学习中心，慕尼黑技术大学）
AI总结 k-MTR通过直接从欠采样k空间中提取多任务特征，实现了端到端的心脏MRI多任务分析，提升诊断性能。
CycleULM：一种用于超声定位显微镜的无标签深度学习框架
机构 * Department of Bioengineering, Faculty of Engineering, Imperial College London（生物工程系，工程学院，帝国理工学院伦敦分校） ； Department of Electrical and Electronic Engineering, Faculty of Engineering, Imperial College London（电气与电子工程系，工程学院，帝国理工学院伦敦分校） ； Faculty of Electrical and Computer Engineering, Escuela Superior Politécnica del Litoral (ESPOL)（电气与计算机工程学院，ESPOL高级理工大学）
AI总结 CycleULM通过无标签深度学习提升超声定位显微镜的性能和效率，实现实时处理与高精度血管重建。
Comments 43 pages, 14 figures, 2 tables, journal
EmoSURA：迈向精确评估详细且长上下文情感语音字幕
机构 * CHI – Chair of Health Informatics, TUM University Hospital, Munich, Germany（慕尼黑大学医院健康信息学系） ； MCML - Munich Center for Machine Learning, Munich, Germany（慕尼黑机器学习中心） ； Huawei, Netherlands（荷兰华为） ； GLAM, Imperial College London, UK（伦敦帝国理工学院GLAM研究中心）
AI总结 EmoSURA通过原子验证机制和SURABench基准，提供更可靠的长上下文情感语音字幕评估方法
Comments Submitted to Interspeech 2026
TopoOR: 一种用于手术室的统一拓扑场景表示
机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Imperial College London（伦敦帝国理工学院） ； Kyung Hee University（韩国庆熙大学）
AI总结 TopoOR通过更高阶拓扑结构建模手术室的多模态特性，提升场景表达能力，优于传统图和LLM基线。
SEA-Nav: 高效安全敏捷四足机器人在密集环境中导航的策略学习
机构 * Tsinghua University（清华大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 SEA-Nav通过安全、高效和敏捷的强化学习框架，实现了在密集环境中四足机器人导航的高效训练，仅需分钟级训练时间。
Comments Project website: https://11chens.github.io/sea-nav/
利用最优传输克服公平性感知数据修复中的表示偏差
机构 * Dyson School of Design Engineering, Imperial College London（帝国理工学院伦敦分校设计工程学院） ； Department of Electronic and Electrical Engineering, Trinity College Dublin（都柏林信任学院电子与电气工程系）
AI总结 本文提出了一种基于贝叶斯非参数停止规则的方法，用于克服公平性感知数据修复中的表示偏差问题，通过优化传输操作符修复存档数据。
动量SVGD-EM用于加速最大边际似然估计
机构 * Department of Mathematics, Ecole Normale Supérieure Paris-Saclay（数学系，巴黎萨克雷高等师范学院） ； Department of Mathematics, Imperial College London（数学系，伦敦帝国理工学院）
AI总结 本文提出动量SVGD-EM方法，通过引入Nesterov加速提升MMLE的收敛速度，适用于不同难度的任务。
Comments Accepted to AISTATS 2026
从老鼠到火车：图数据上的消 amortized 贝叶斯推断
机构 * Department of Statistics, TU Dortmund University（统计系，多特蒙德技术大学） ； School of Public Health, Imperial College London（公共卫生学院，伦敦帝国理工学院） ； Department of Biology, University of Oxford（生物学系，牛津大学） ； Department of Mechanical Engineering, Karlsruhe Institute of Technology（机械工程系，卡尔斯鲁厄理工学院）
AI总结 本文提出了一种基于生成神经网络的消 amortized 贝叶斯推断方法，用于图数据的节点、边和图层面参数推断，通过评估不同架构在合成和现实数据中的表现，解决了图参数后验估计的挑战。
基于异构数据的工业维护证据驱动推理
机构 * IBM Research Europe（IBM欧洲研究院） ； IBM Research Yorktown（IBM约克镇研究院） ； Imperial College London（伦敦帝国学院）
AI总结 本文提出Condition Insight Agent，通过整合维护语言、操作数据行为抽象和工程故障语义，实现基于证据驱动的工业维护决策支持。
MedQ-Deg：一个多维基准，用于评估医疗图像质量退化下的多模态大语言模型
机构 * Fudan University（复旦大学） ； Shanghai AI Lab（上海人工智能实验室） ； Shanghai Jiaotong University（上海交通大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 MedQ-Deg是一个多维基准，用于评估医疗图像质量退化下多模态大语言模型的性能，揭示模型在不同退化类型下的表现差异及置信度校准问题。
Comments 29 pages, 11 figures
YAQIN：面向英国穆斯林女性的文化敏感、代理型AI心理健康支持系统
机构 * Dyson School of Design Engineering, Imperial College London（帝京理工学院伦敦校区设计工程学院）
AI总结 YAQIN通过整合伊斯兰心理学和用户中心设计，为英国穆斯林女性提供文化敏感的AI心理健康支持，提升信任与治疗效果。
多机器人制图的分布式高斯过程模型
机构 * Dyson Robotics Lab, Imperial College London（帝京大学伦敦分校戴森机器人实验室） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系）
AI总结 DistGP通过分布式高斯过程实现多机器人协同制图，优于现有方法并在动态环境下表现更优。
Comments ICRA 2026, 8 pages
SurgCUT3R: 术场景感知的连续时间3D表示理解
机构 * The Hamlyn Centre for Robotic Surgery, Imperial College London（机器人手术中心，帝国理工学院伦敦分校） ； S-Lab, College of Computing and Data Science, Nanyang Technological University（S实验室， computing and Data Science学院，南洋理工大学） ； Department of Computer Science, University of Liverpool（计算机科学系，利物浦大学）
AI总结 SurgCUT3R通过数据生成、混合监督和分层推理框架，解决手术场景中3D重建的准确性和效率问题，实现稳健的重建性能。
利用机器学习模型预测多孔介质稳态流
机构 * Department of Mechanical Engineering, Imperial College London（帝国理工学院伦敦校区机械工程系）
AI总结 本文提出利用FNO模型高效预测多孔介质稳态流，相比传统CFD方法，FNO在精度和速度上均表现优异，适用于拓扑优化任务。
ContextBench: 为定向激活潜在特征修改上下文
机构 * Imperial College London（帝国理工学院伦敦校区） ； University College London（伦敦大学学院） ； University of Oxford（牛津大学） ； UK AI Security Institute（英国人工智能安全研究所）
AI总结 ContextBench通过上下文修改方法提升语言模型触发特定潜在特征的能力，结合LLM辅助和扩散模型实现最佳平衡效果。
Comments Published at ICLR 2026
Journal ref Proceedings of the International Conference on Learning Representations (ICLR), 2026
用于加速心脏 cine MRI 重建的 Gabor 原始要素
机构 * Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM) and TUM University Hospital, Munich, Germany（人工智能在医疗与医学中的chair，慕尼黑技术大学（TUM）和慕尼黑技术大学医院，德国慕尼黑） ； School of Computation and Information Technology, Technical University of Munich, Munich, Germany（计算与信息科技学院，慕尼黑技术大学，德国慕尼黑） ； Institute of Machine Learning in Biomedical Imaging, Helmholtz Munich, Neuherberg, Germany（生物医学影像中的机器学习研究所，海德堡慕尼黑，德国纽赫堡） ； Department of Radiology, Boston Children's Hospital and Harvard Medical School, Boston, USA（放射科，波士顿儿童医院和哈佛医学院，美国波士顿） ； Munich Center for Machine Learning, Technical University of Munich, Munich, Germany（慕尼黑机器学习中心，慕尼黑技术大学，德国慕尼黑） ； GE HealthCare, Munich, Germany（通用电气医疗系统，德国慕尼黑） ； School of Biomedical Engineering and Imaging Sciences, King's College London, London, United Kingdom（生物医学工程与成像科学学院，伦敦国王学院，英国伦敦） ； Department of Computing, Imperial College London, London, United Kingdom（计算学院，伦敦帝国学院，英国伦敦）
AI总结 本文提出 Gabor 原始要素用于加速心脏 cine MRI 重建，通过调制高斯包络实现灵活频谱支持，提升对光滑结构和锐利边界的表示能力。
SPINE：基于熵带正则化的令牌选择性测试时间强化学习
机构 * Monash University（墨尔本大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 SPINE通过令牌选择性和熵带正则化提升测试时间推理稳定性与效果。
扩散语言模型训练中的规划感知路径学习
机构 * Duke University（杜克大学） ； Mila ； Université de Montréal（蒙特利尔大学） ； California Institute of Technology（加州理工学院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Oxford（牛津大学） ； AITHYRA ； Imperial College London（伦敦帝国学院）
AI总结 本文提出PAPL，一种通过规划感知路径学习提升扩散语言模型训练与推理一致性的方法，实现跨领域性能提升。
Comments Camera ready version for ICLR2026
FindAnything: 任意环境中的开放词汇和以对象为中心的映射用于机器人探索
机构 * Technical University of Munich（技术大学慕尼黑） ； School of Computation, Information and Technology（计算、信息与技术学院） ； ETH Zurich（苏黎世联邦理工学院） ； Department of Computing（计算学院） ； Imperial College London（伦敦帝国理工学院） ； University of Patras（帕特拉大学） ； Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
AI总结 FindAnything通过整合视觉语言信息，实现了大规模未知环境中高效、内存友好的开放词汇映射，适用于机器人探索任务。
Comments 11 pages, 5 figures
MedFuncta: 一种用于高效医疗神经场学习的统一框架
机构 * University of Basel（巴塞尔大学） ； Technical University of Munich（慕尼黑技术大学） ； Yale University（耶鲁大学） ； Imperial College London（伦敦帝国学院）
AI总结 MedFuncta是一种用于高效医疗神经场学习的统一框架，通过统一表示和元学习策略提升大规模医学数据处理性能。
Comments Accepted at MIDL 2026 (Oral) Project page: https://pfriedri.github.io/medfuncta-io/ Code: https://github.com/pfriedri/medfuncta/ Dataset: https://doi.org/10.5281/zenodo.14898708
WSI-INR：基于隐式神经表示的全切片图像病变分割
机构 * Graduate School of Informatics, Nagoya University（名古屋大学信息科学研究生院） ； Technical University of Munich (TUM)（慕尼黑技术大学） ； TUM University Hospital（慕尼黑技术大学医院） ； School of Computation and Information Technology（计算与信息科技学院） ； Technical University of Munich（慕尼黑技术大学） ； Information Technology Center, Nagoya University（名古屋大学信息技术中心） ； Munich Center for Machine Learning（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） ； Research Center for Medical Bigdata（医学大数据研究中心）
AI总结 WSI-INR通过隐式神经表示实现全切片图像病变分割，提升跨分辨率的鲁棒性，优于现有方法。
Comments 11 page, 4 figures
ProSMA-UNet：解码器条件下的近邻稀疏跳连特征选择
机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge, UK（应用数学与理论物理系，剑桥大学） ； School of Engineering, Zurich University of Applied Sciences, CH（工程学院，应用科学大学 Zurich） ； Bioengineering Department and ImperialX, Imperial College London, UK（生物工程系和ImperialX，伦敦帝国学院） ； Lucerne University Teaching and Research Hospital, CH（卢塞恩大学教学与研究医院） ； Yau Mathematical Sciences Center, Tsinghua University, China（尤金数学科学中心，清华大学）
AI总结 ProSMA-UNet通过解码器条件稀疏跳连特征选择提升医学图像分割性能，尤其在3D任务中表现突出。
查询级不确定性在大语言模型中
机构 * Imperial College London（伦敦帝国学院） ； Hasso Plattner Institute / University of Potsdam（霍普夫纳研究所/波茨坦大学） ； Telecom Paris, Institut Polytechnique de Paris（电信巴黎学院，巴黎理工学院） ； Soda, Inria Saclay（Soda，法国国家信息与自动化技术研究院萨克利实验室）
AI总结 本研究提出了一种无需训练的内部置信度方法，用于检测大语言模型的知识边界，通过查询级不确定性提高回答质量并降低计算成本。
Comments ICLR 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈