University of Oxford（牛津大学）

Bridge Damage Detection from Low-Light UAV Imagery via Degradation-Aware Mixture-of-Experts Enhancement

基于退化感知混合专家增强的低光照无人机图像桥梁损伤检测

Hu Wang, Hongxu Pu, Zhiqi Hu, Fangzhou Lin, Wang Wang

机构 * School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； Sustainability X-Lab, The University of Hong Kong（香港大学可持续发展X实验室） ； School of Architecture, Building, and Civil Engineering, Loughborough University（拉夫堡大学建筑、建造与土木工程学院） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Department of Civil and Environmental Engineering, The Hong Kong University of Science and Technology（香港科技大学土木与环境工程系） 纠错

AI总结 针对低光照无人机桥梁图像缺陷模糊问题，提出DaL-MoE退化感知混合专家恢复前端，提升了YOLOv11m的桥梁损伤检测精度，实现了合成退化到真实场景的性能迁移。

Comments 31 pages, 9 figures

TessIndex: Capability Verified Identity System for the Agent Economy

TessIndex：面向智能体经济的能力验证身份系统

Mehul Goenka, Tejas Pathak, Siddharth Asthana

机构 * University of Oxford（牛津大学） ； Indian Institute of Technology, Delhi（印度理工学院德里分校） 纠错

AI总结 针对智能体经济基础设施的三大缺陷，提出采用双平面架构的TessIndex系统，实现智能体原语的持久身份、可验证能力声明及价值捕获，为智能体经济提供集成化身份支撑。

Measuring in-context algorithmic reasoning in language models against an exact Bayes-optimal reference

基于精确贝叶斯最优标准测量语言模型的上下文内算法推理能力

Luan Ozelim, Hector Zenil

机构 * Oxford Immune Algorithmics（牛津免疫算法学公司） ； Oxford University Innovation（牛津大学创新公司） ； London Institute for Healthcare Engineering（伦敦医疗工程研究所） ； King’s College London（伦敦国王学院） 纠错

AI总结 本研究提出F-ICL基准，以精确贝叶斯最优标准测量语言模型的上下文内算法推理能力，发现多数模型分布与最优标准存在差距，该差距与准确率无关且不受模型规模缩小，基准已开放。

Checkup2Action: A Multimodal Clinical Check-up Report Dataset for Patient-Oriented Action Card Generation

Checkup2Action：面向患者行动的多模态临床检查报告数据集

Sike Xiang, Shuang Chen, Kevin Qinghong Lin, Jialin Yu, Yijia Sun, Philip Torr, Amir Atapour-Abarghouei

机构 * Durham University（杜伦大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出Checkup2Action数据集，用于生成结构化的行动卡，通过多模态检查报告生成患者导向的行动建议，评估行动的准确性、优先级和安全性。

MADE: Benchmark Environments for Closed-Loop Materials Discovery

MADE：用于闭环材料发现的基准环境

Shreshth A Malik, Tiarnan Doherty, Panagiotis Tigas, Muhammed Razzak, Stephen J. Roberts, Aron Walsh, Yarin Gal

机构 * OATML, Department of Computer Science, University of Oxford（OATML，计算机科学系，牛津大学） ； Diffractive Labs ； Machine Learning Research Group, Department of Engineering Science, University of Oxford（机器学习研究组，工程科学系，牛津大学） ； Thomas Young Centre（托马斯·杨中心） ； Department of Materials, Imperial College London（材料系，伦敦帝国学院） 纠错

AI总结 MADE提出了一种闭环材料发现的基准框架，通过模拟受限预算下的材料发现流程，评估发现算法的有效性和效率，并支持灵活的工作流研究。

Comments Poster at ICML 2026 Main Conference