University of Texas at Austin（得克萨斯大学奥斯汀分校）

OXE-AugE: A Large-Scale Robot Augmentation of OXE for Scaling Cross-Embodiment Policy Learning

OXE-AugE: 一种大规模机器人增强的OXE以实现跨躯体政策学习的扩展

Guanhua Ji, Harsha Polavaram, Lawrence Yunliang Chen, Sandeep Bajamahal, Zehan Ma, Simeon Adebola, Chenfeng Xu, Ken Goldberg

机构 * Department of EECS, UC Berkeley（电子工程与计算机科学系，加州大学伯克利分校） ； GRASP Laboratory, University of Pennsylvania（格拉斯实验室，宾夕法尼亚大学） ； Department of CS, UT Austin（计算机科学系，得克萨斯大学奥斯汀分校） 纠错

AI总结 OXE-AugE通过引入9种不同机器人躯体增强OXE数据集，提升跨躯体政策学习的泛化能力和性能。

Beyond Next-Token Prediction: A Performance Characterization of Diffusion versus Autoregressive Language Models

超越单个令牌预测：扩散模型与自回归语言模型性能的对比分析

Minseo Kim, Coleman Hooper, Aditya Tomar, Chenfeng Xu, Mehrdad Farajtabar, Michael W. Mahoney, Kurt Keutzer, Amir Gholami

机构 * Seoul National University（首尔国立大学） ； University of California, Berkeley（加州大学伯克利分校） ； ICSI ； LBNL（劳伦斯伯克利国家实验室） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文比较了扩散模型与自回归语言模型在性能上的差异，发现DLMs在算术强度上占优但难以扩展，而ARMs在批量推理中表现更优。

Comments 11 pages, 5 figures

Leveraging Compression to Construct Transferable Bitrate Ladders

利用压缩构建可转移的比特率阶梯

Krishna Srikar Durbha, Hassene Tmar, Ping-Hao Wu, Ioannis Katsavounidis, Alan C. Bovik

机构 * Laboratory for Image and Video Engineering (LIVE), The University of Texas at Austin（图像与视频工程实验室（LIVE），德克萨斯大学奥斯汀分校） ； Colorado’s Laboratory for Image and Video Engineering (LIVE), University of Colorado Boulder（科罗拉多州图像与视频工程实验室（LIVE），科罗拉多大学波德分校） ； Meta Platforms Inc.（Meta平台公司） 纠错

AI总结 本文提出了一种基于机器学习的比特率阶梯构建方法，通过分析压缩过程和源视频的感知相关测量，准确预测压缩视频的VMAF分数，并评估其在不同编码设置下的性能。

Comments Under Review in IEEE Transactions on Image Processing

Can You Keep a Secret? Exploring AI for Care Coordination in Cognitive Decline

你能保密吗？探索人工智能在认知衰退中的护理协调

Alicia, Lee, Mai Lee Chang, Sreehana Mandava, Destiny Deshields, Hugo Simão, Aaron Steinfeld, Jodi Forlizzi, John Zimmerman

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Maryland（马里兰大学） 纠错

AI总结 本文探讨人工智能如何通过搭便车策略帮助认知衰退老年人协调护理，以减少照护负担并延长其在家中生活的可能性。

Comments 13 pages, 6 figures

SuperGen: An Efficient Ultra-high-resolution Video Generation System with Sketching and Tiling

SuperGen: 一种高效的超高清视频生成系统，支持草图和分块

Fanjiang Ye, Zepeng Zhao, Yi Mu, Jucheng Shen, Renjie Li, Kaijian Wang, Saurabh Agarwal, Myungjin Lee, Triston Cao, Aditya Akella, Arvind Krishnamurthy, T. S. Eugene Ng, Zhengzhong Tu, Yuke Wang

机构 * Rice University（里士满大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Texas A&M University（德克萨斯农工大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cisco（思科公司） ； NVIDIA（英伟达公司） ； University of Washington（华盛顿大学） 纠错

AI总结 SuperGen通过分块技术实现高效超高清视频生成，无需额外训练，降低计算和内存成本，提升生成速度和质量。