Imperial College London（帝国理工学院）

LCMem: A Universal Model for Robust Image Memorization Detection

LCMem: 一种通用的图像记忆检测模型

Mischa Dombrowski, Felix Nützel, Bernhard Kainz

机构 * Friedrich-Alexander-Universität Erlangen-Nürnberg（埃朗根-纽伦堡弗里德里希-亚历山大大学） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 LCMem通过两阶段训练策略，实现跨域隐私审计，提升记忆检测的可靠性和可扩展性。

ACE-SLAM: Scene Coordinate Regression for Neural Implicit Real-Time SLAM

ACE-SLAM：基于场景坐标的神经隐式实时SLAM

Ignacio Alzugaray, Marwan Taher, Andrew J. Davison

机构 * Dyson Robotics Lab, Imperial College London（帝京大学伦敦学院机器人实验室） 纠错

AI总结 ACE-SLAM通过基于场景坐标的神经隐式SLAM方法，实现实时场景建图与定位，具备高效、低内存和隐私保护的优势。

Comments Project Page: https://github.com/ialzugaray/ace-slam

EEG-D3: A Solution to the Hidden Overfitting Problem of Deep Learning Models

EEG-D3: 解决深度学习模型中隐藏过拟合问题的解决方案

Siegfried Ludwig, Stylianos Bakas, Konstantinos Barmpas, Georgios Zoumpourlis, Dimitrios A. Adamos, Nikolaos Laskaris, Yannis Panagakis, Stefanos Zafeiriou

机构 * Department of Computing, Imperial College London（帝国理工学院伦敦分校计算机系） ； School of Informatics, Aristotle University of Thessaloniki（阿尔发大学索拉布斯分校信息学院） ； Department of Informatics and Telecommunications, National and Kapodistrian University of Athens（雅典国家与卡波迪斯蒂亚大学信息与电信系） ； Cogitat Ltd.（Cogitat有限公司） 纠错

AI总结 EEG-D3通过解耦解码分解方法，有效分离大脑活动的潜在成分，避免隐藏过拟合问题，提升实际应用中的泛化能力。

Fast and Explicit: Slice-to-Volume Reconstruction via 3D Gaussian Primitives with Analytic Point Spread Function Modeling

快速且显式：通过3D高斯原语进行切片到体积重建的分析点扩散函数建模

Maik Dannecker, Steven Jia, Nil Stolt-Ansó, Nadine Girard, Guillaume Auzias, François Rousseau, Daniel Rueckert

机构 * TUM University Hospital, Technical University of Munich（慕尼黑技术大学医院，慕尼黑技术大学） ； Institut de Neurosciences de la Timone, Aix-Marseille Université（里莫尼神经科学研究所，艾克斯-马赛大学） ； IMT Atlantique（IMT大西洋） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算机系） 纠错

AI总结 本文提出基于高斯显式表示的快速切片到体积重建方法，通过解析点扩散函数建模实现高效准确的3D图像重建。

Comments Under Review for MIDL 2026

MIRA: Medical Time Series Foundation Model for Real-World Health Data

MIRA：面向真实世界健康数据的医学时间序列基础模型

Hao Li, Bowen Deng, Chang Xu, Zhiyuan Feng, Viktor Schlegel, Yu-Hao Huang, Yizheng Sun, Jingyuan Sun, Kailai Yang, Yiyao Yu, Jiang Bian

机构 * Microsoft Research（微软研究院） ； University of Manchester（曼彻斯特大学） ； Peking University（北京大学） ； Tsinghua University（清华大学） ； Nanjing University（南京大学） ； Imperial Global Singapore, Imperial College London（帝国理工学院伦敦分校） 纠错

AI总结 MIRA是一种专为医学时间序列预测设计的基础模型，通过连续时间旋转位置编码、频率特定混合专家层和连续动态外推块，实现对不规则时间间隔、异质采样率和缺失值的高效处理，提升医疗时间序列数据的预测精度和跨机构迁移能力。

Comments NeurIPS 2025 Main Conference

NeuralSurv: Deep Survival Analysis with Bayesian Uncertainty Quantification

NeuralSurv: 基于贝叶斯不确定性量化的深度生存分析

Mélodie Monod, Alessandro Micheli, Samir Bhatt

机构 * Imperial College London（帝国学院伦敦分校） ； University of Copenhagen（哥本哈根大学） 纠错

AI总结 NeuralSurv通过贝叶斯不确定性量化提升深度生存分析的校准性能，结合新颖的数据增强方案和高效变分算法，在合成和真实数据中均表现出优越的模型性能。

Journal ref NeurIPS 2025