The University of Hong Kong（香港大学）

FP4 Explore, BF16 Train: Diffusion Reinforcement Learning via Efficient Rollout Scaling

FP4探索，BF16训练：通过高效的回放缩放实现扩散强化学习

Yitong Li, Junsong Chen, Shuchen Xue, Pengcuo Zeren, Siyuan Fu, Dinghao Yang, Yangyang Tang, Junjie Bai, Ping Luo, Song Han, Enze Xie

机构 * NVIDIA（英伟达） ； HKU（香港大学） ； MIT（麻省理工学院） 纠错

AI总结 本文提出Sol-RL框架，通过FP4量化与BF16训练结合，提升扩散模型的对齐性能，实现训练效率与精度的平衡，实验显示在多个指标上表现优异，训练收敛速度提升4.64倍。

RichMap: A Reachability Map Balancing Precision, Efficiency, and Flexibility for Rich Robot Manipulation Tasks

RichMap: 一种平衡精度、效率和灵活性的可达性地图用于丰富的机器人操作任务

Yupu Lu, Yuxiang Ma, Jia Pan

机构 * School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出RichMap，一种高精度可达性地图表示，通过优化传统网格结构，在保持结构灵活性的同时实现接近紧凑地图形式的性能，通过理论容量界和异步流水线实现高效构建，并在多个指标上验证其高预测精度和低误报率。

Comments Accepted by WAFR 2026

SpatialEdit: Benchmarking Fine-Grained Image Spatial Editing

SpatialEdit：细粒度图像空间编辑基准测试

Yicheng Xiao, Wenhu Zhang, Lin Song, Yukang Chen, Wenbo Li, Nan Jiang, Tianhe Ren, Haokun Lin, Wei Huang, Haoyang Huang, Xiu Li, Nan Duan, Xiaojuan Qi

机构 * The University of Hong Kong（香港大学） ； JD Explore Academy（京东探索研究院） ； Tsinghua University（清华大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 本文提出SpatialEdit-Bench基准测试，结合视角重建和框架分析评估空间编辑的感知合理性和几何精度，并构建了SpatialEdit-500k合成数据集和SpatialEdit-16B基线模型，实现细粒度空间编辑的高效训练与评估。

Comments Code: https://github.com/EasonXiao-888/SpatialEdit

DiffSketcher: Text Guided Vector Sketch Synthesis through Latent Diffusion Models

DiffSketcher: 通过潜在扩散模型实现文本引导的向量草图合成

Ximing Xing, Chuang Wang, Haitao Zhou, Jing Zhang, Qian Yu, Dong Xu

机构 * Beihang University（北京航空航天大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出DiffSketcher，通过扩展的SDS损失优化贝塞尔曲线，实现从自然语言提示直接生成向量草图，提升生成质量与可控性。

Comments Accepted by NeurIPS 2023. Project page: https://ximinng.github.io/DiffSketcher-project/

SL-FAC: A Communication-Efficient Split Learning Framework with Frequency-Aware Compression

SL-FAC：一种通信高效的分裂学习框架，具有频率感知的压缩

Zehang Lin, Miao Yang, Haihan Zhu, Zheng Lin, Jianhao Huang, Jing Yang, Guangjin Pan, Dianxin Luan, Zihan Fang, Shunzhi Zhu, Wei Ni, John Thompson

机构 * School of Computer and Information Engineering, Xiamen University of Technology（厦门理工学院计算机与信息工程学院） ； School of Artificial Intelligence, Hebei University of Technology（河北工业大学人工智能学院） ； Department of Electrical and Electronic Engineering, The University of Hong Kong（香港大学电机电子工程系） ； Center of Research for Cyber Security and Network (CSNET), Faculty of Computer Science and Information Technology, Universiti Malaya（马来亚大学计算机科学与信息技术学院网络安全与网络研究中心） ； Department of Electrical Engineering, Chalmers University of Technology（查尔姆斯理工大学电气工程系） ； Institute for Imaging, Data and Communications, School of Engineering, The University of Edinburgh（爱丁堡大学工程学院成像、数据与通信研究所） ； Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） ； School of Engineering, Edith Cowan University（埃迪斯科文大学工程学院） 纠错

AI总结 SL-FAC通过频率感知压缩和自适应频率分解，有效降低分裂学习中的通信开销，提升模型训练效率。

Comments 6 pages, 4 figures