University of Southern California（南加州大学）

STEREOFLOW: Progressive Stereo Matching with StereoDiT and Transition Flow Matching

STEREOFLOW：基于StereoDiT和过渡流匹配的渐进式立体匹配

Hao Wang, Haoran Geng, Xiaotong Yang, Jing Tang, Songlin Wei, Linlong Lang, Yeying Jin, Zheng Zhu, Zhaoxin Fan, Biao Leng

机构 * School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院） ； University of California, Berkeley（加州大学伯克利分校） ； University of Southern California（南加州大学） ； Google（谷歌公司） ； State Key Laboratory of Intelligent Manufacturing Equipment and Technology, Huazhong University of Science and Technology（华中科技大学智能制造装备与技术国家重点实验室） ； Tencent（腾讯公司） ； GigaAI（未知（可能是公司或组织，由于未找到确切对应中文名，按原文保留）） 纠错

AI总结 研究针对立体匹配问题，提出先验引导的生成框架StereoFlow，通过两阶段渐进级联匹配网络、像素扩散变压器StereoDiT和过渡流匹配实现高效优化，在多基准测试中取得多个最新结果，提升了立体匹配效果。

Comments 10 pages, 6 figures, submitted to TVCG

BRIM: Workload-Balanced Dual-Sided Bit-Serial Sparse Inference Accelerator

BRIM：工作负载平衡的双边位串行稀疏推理加速器

Varun Manjunath, Ruokai Yin, Donghyun Lee, Arkapravo Ghosh, Priyadarshini Panda

机构 * University of Southern California（南加州大学） ； Yale University（耶鲁大学） 纠错

AI总结 研究针对双边位串行稀疏推理加速器工作负载不平衡问题，提出BRIM。它采用循环平衡剪枝和成对时隙捐赠两种机制，在等面积约束下评估，能提高PE利用率，实现显著加速和能效提升。

Lipschitzian SLLNs for random functions

随机函数的Lipschitzian强大数定律

Lai Tian, Johannes O. Royset

机构 * Department of Industrial and Systems Engineering, University of Southern California（工业与系统工程系，南加州大学） 纠错

AI总结 研究局部Lipschitz函数在Lipschitz伪度量下的强大数定律，结果在拓扑或模型理论条件下成立，应用于极限和Clarke次微分收敛等，确定了一类不会出现之前负面结果中失败现象的函数。

Comments 30 pages

Online Optimization of Difference-of-Convex Compositions with Smooth Mappings

具有光滑映射的凸差复合函数的在线优化

Jingwei Ji, Jong-Shi Pang, Renyuan Xu

机构 * Management Science and Engineering, Stanford University（斯坦福大学管理科学与工程系） ； The Daniel J. Epstein Department of Industrial and Systems Engineering, University of Southern California（南加州大学丹尼尔·J·埃普斯坦工业与系统工程系） 纠错

AI总结 研究结构化非凸非光滑问题的在线优化，提出时间平滑近端线性算法和基于近端残差映射的局部遗憾度量，建立局部遗憾界等，推导误差界，证明残差是平稳性度量，可通过凸优化预言机计算更新。

Interval and fuzzy physics-augmented neural networks (iPANN and fPANN) for uncertainty quantification and propagation in constitutive modeling

用于本构模型中不确定性量化和传播的区间与模糊物理增强神经网络（iPANN和fPANN）

Somesh Pratap Singh, Govinda Anantha Padmanabha, Jingye Tan, Steven Yang, Reese E. Jones, D. Thomas Seidl, Nikolaos Bouklas

机构 * Cornell University（康奈尔大学） ； Ecole Polytechnique Federale de Lausanne (EPFL)（洛桑联邦理工学院） ； Sandia National Laboratories（桑迪亚国家实验室） ； University of Southern California（南加州大学） ； Pasteur Labs（巴斯德实验室） 纠错

AI总结 针对本构模型不确定性量化与传播难题，提出iPANN和fPANN，通过学习自由能密度分支、编码机械约束及两阶段转移学习训练模型，在合成数据上评估，能包围应力观测值并传播不确定性，提供了相关有效途径。