Imperial College London（帝国理工学院）

MultiDiffSense: Diffusion-Based Multi-Modal Visuo-Tactile Image Generation Conditioned on Object Shape and Contact Pose

MultiDiffSense: 基于扩散的多模态视觉-触觉图像生成，基于物体形状和接触姿态

Sirine Bhouri, Lan Wei, Jian-Qing Zheng, Dandan Zhang

机构 * Department of Bioengineering, Imperial-X Initiative, Imperial College London（生物工程系、Imperial-X计划、帝国理工学院伦敦分校） ； CAMS-Oxford Institute, University of Oxford（CAMS-牛津研究所、牛津大学） 纠错

AI总结 MultiDiffSense是一种基于扩散的多模态视觉-触觉图像生成模型，通过双条件化实现可控且物理一致的多模态生成，提升了触觉传感数据集的生成效率和跨模态学习能力。

Comments Accepted by 2026 ICRA

Design and Control of Modular Magnetic Millirobots for Multimodal Locomotion and Shape Reconfiguration

模块化磁性微机器人多模态运动与形状重构设计与控制

Erik Garcia Oyono, Jialin Lin, Dandan Zhang

机构 * Department of Bioengineering, Imperial College London（帝国理工学院生物工程系） 纠错

AI总结 本研究提出一种模块化磁性微机器人平台，通过多模块协同实现多模态运动与形状重构，展示了在受限环境中稳健控制的潜力。

Comments Accepted by 2026 ICRA

Pay Attention to CTC: Fast and Robust Pseudo-Labelling for Unified Speech Recognition

关注CTC：用于统一语音识别的快速且稳健的伪标签方法

Alexandros Haliassos, Rodrigo Mira, Stavros Petridis

机构 * NatWest AI Research（NatWest人工智能研究） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 本文提出USR 2.0，通过CTC驱动的教师强制和混合采样提升统一语音识别的训练效率和鲁棒性，实现训练时间减半并在多个基准上取得最佳性能。

Comments ICLR 2026. Code: https://github.com/ahaliassos/usr2

Artefact-Aware Fungal Detection in Dermatophytosis: A Real-Time Transformer-Based Approach for KOH Microscopy

在皮肤病学中考虑 artefacts 的真菌检测：一种基于实时变换器的 KOH 显微镜方法

Rana Gursoy, Abdurrahim Yilmaz, Baris Kizilyaprak, Esmahan Caglar, Burak Temelkuran, Huseyin Uvet, Ayse Esra Koku Aksu, Gulsum Gencoglan

机构 * Yildiz Technical University（伊兹密尔技术大学） ； Imperial College London（帝国理工学院伦敦分校） ； Istanbul Research and Training Hospital（伊斯坦布尔研究与培训医院） ； Medicana Atakoy Hospital（梅迪卡纳阿塔科伊医院） 纠错

AI总结 本研究提出基于实时变换器的 KOH 显微镜方法，用于准确检测真菌，通过高精度定位提升皮肤病学诊断的可靠性。

Physics-guided impact localisation and force estimation in composite plates with uncertainty quantification

基于物理的复合板冲击定位与力估计及不确定性量化

Dong Xiao, Zahra Sharif-Khodaei, M. H. Aliabadi

机构 * Department of Aeronautics, Imperial College London（航空系，帝国理工学院伦敦分校） 纠错

AI总结 本文提出了一种结合物理模型与机器学习的复合板冲击定位与力估计方法，通过不确定性量化提高鲁棒性和效率。

Comments 37 pages (including the appendix and references), 16 figures. Composite Structures (2026)

The MAPS Algorithm: Fast model-agnostic and distribution-free prediction intervals for supervised learning

MAPS算法：用于监督学习的快速模型无关和分布无关的预测区间

Daniel Salnikov, Dan Leonte, Kevin Michalewicz

机构 * Department of Mathematics, Imperial College London（帝国理工学院伦敦数学系） ； Great Ormond Street Institute of Child Health（大奥蒙街儿童健康研究所） ； Instituto de Ingeniería Biomédica, Universidad de Buenos Aires（布宜诺斯艾利斯大学生物医学工程研究所） 纠错

AI总结 MAPS算法通过提升预测模型，提供快速、模型无关且分布无关的预测区间，适用于高维监督学习中的条件覆盖问题。

Comments 28 pages, 3 algorithms, 5 figures, 3 tables