University of California, San Diego（加州大学圣迭戈分校）

An Empirical Study of Training Pixel-Space Text-to-Image Diffusion Models

像素空间文本到图像扩散模型训练的实证研究

Dengyang Jiang, Ruoyi Du, Zhennan Chen, Dongyang Liu, Zanyi Wang, Mingzhe Zheng, Xiangpeng Yang, Huanqia Cai, Aiming Hao, Yuming Jiang, Peng Gao, Harry Yang, Steven Hoi

机构 * Alibaba Token Hub（阿里巴巴令牌中心） ； Alibaba Group（阿里巴巴集团） ； Nanjing University（南京大学） ； University of California San Diego（加利福尼亚大学圣迭戈分校） 纠错

AI总结 本文通过实证研究提出潜空间到像素空间的训练策略，确定关键设计选择，使像素空间文本到图像扩散模型性能媲美或超越潜空间模型，且推理加速3.18至4.75倍，为相关研究提供实用指南。

Comments Z-Image-Pixel & Empirical Insight of Training Pixel-Space Diffusion Models

Learn What's Left, Not What's Mastered: Saturation Aware Advantage Reweighting for Multi-Reward Policy Optimization

学习剩余内容，而非已掌握内容：面向多奖励策略优化的饱和感知优势重加权方法

Yixuan Wang, Yifei Chen, Haichao Zhang, Haozheng Luo, Xander Wu, Jie Ni, Yun Fu, Nuno Vasconcelos, Yijiang Li

机构 * University of Florida（佛罗里达大学） ； UC San Diego（加州大学圣迭戈分校） ； Northeastern University（东北大学） ； Northwestern University（西北大学） ； Stanford University（斯坦福大学） ； Universität Innsbruck（因斯布鲁克大学） 纠错

AI总结 针对多奖励策略优化中现有方法的缺陷，提出SA-MRPO方法，动态分配优化资源，在数学推理、自适应推理、编码任务中均实现性能提升。

Comments 14 pages, 2 figures

PixelControl: Fine-Grained Condition Fidelity in Text-to-Image Diffusion

PixelControl：文本到图像扩散中的细粒度条件保真度

Xin Lin, Haodong Li, Zhifei Zhang, Yutong Yang, Haitian Zheng, Juanxi Tian, Zhe Lin, Truong Nguyen

机构 * Adobe Research（奥多比研究院） ； Nanyang Technological University（南洋理工大学） ； University of California San Diego（加州大学圣迭戈分校） 纠错

AI总结 针对可控文本到图像扩散模型细粒度结构保真度不足的问题，提出PixelControl框架，通过结构感知控制注入与多尺度金字塔循环损失等设计，提升了边界及中/小区域的结构保真度。

Comments The project homepage can be found: this https URL (https://linxin0.github.io/pixelcontrol_homepage/pixelcontrol-site/)

ReForce: Learning Force-aware Retargeting for Dexterous Manipulation

ReForce：学习力感知重定向以实现灵巧操作

Yuhang Wu, Lingqi Zeng, Changwei Jing, Jianglong Ye, Xiaolong Wang

机构 * UC San Diego（加州大学圣迭戈分校） 纠错

AI总结 该研究提出力感知重定向方法ReForce，通过对运动学重定向动作预测残差实现力跟踪，在接触丰富的机器人操作任务中提升了力跟踪精度与接触参与度。

ArtLang: Structured Language-to-Kinematics Grounding for Articulated 3D Actuation

ArtLang：面向铰接3D驱动的结构化语言到运动学的绑定

Sylvia Yuan, Dan Wang, Ravi Ramamoorthi, Xinrui Cui

机构 * University of California San Diego（加利福尼亚大学圣迭戈分校） ； University of North Texas（北得克萨斯大学） 纠错

AI总结 研究针对铰接物体控制的语义匿名问题，提出ArtLang框架，通过语义-运动学铰接图等技术实现开放词汇语言控制，经多类实验验证了可靠的语言绑定与连续铰接控制能力。

Real-time Estimator of Actuator Control and Health (REACH) on an Eel-Inspired Soft Robot

受鳗鱼启发的软体机器人的执行器控制与健康实时估计器（REACH）

Zhangjingyi Jiang, Myungsun Park, Michael T. Tolley, Mark Campbell

机构 * Cornell University（康奈尔大学） ； University of California San Diego（加利福尼亚大学圣迭戈分校） 纠错

AI总结 针对受鳗鱼启发的软体游泳机器人，本文提出REACH算法，结合软体机器人模型、sigma点滤波器和统计假设检验，可在不同传感器配置、游动步态下准确估计执行器健康，实验验证其在噪声数据和制造差异下的有效性。

Equilibrium Forcing: Adaptive Video Generation Without Noise Conditioning

均衡强迫：无需噪声条件的自适应视频生成

Hansen Jin Lillemark, Alex Rojas, Zachary Novack, Runqian Wang, Yilun Du, Yian Ma, Taylor Berg-Kirkpatrick, Rose Yu

机构 * UC San Diego（加州大学圣地亚哥分校） ； MIT（麻省理工学院） ； Harvard University（哈佛大学） 纠错

AI总结 该研究提出无需噪声条件的均衡强迫（EqF）框架，解耦去噪场学习与采样，实现自适应闭环推理，提升自回归视频生成的质量与一致性，性能优于传统噪声条件方法。

Comments Project page: this https URL (https://equilibriumforcing.github.io/)