Fudan University（复旦大学）

Revisiting Multimodal KV Cache Compression: A Frequency-Domain-Guided Outlier-KV-Aware Approach

重新审视多模态KV缓存压缩：一种基于频域的异常KV感知方法

Yaoxin Yang, Peng Ye, Xudong Tan, Chongjun Tu, Maosen Zhao, Jia Hao, Tao Chen

机构 * College of Future Information Technology, Fudan University（未来信息科技学院，复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Zhangjiang Laboratory（张江实验室） 纠错

AI总结 本文提出FlashCache，一种基于频域的异常KV感知KV缓存压缩框架，通过保留关键KV对提升解码效率并降低内存使用。

Comments CVPR2026

MADCrowner: Margin Aware Dental Crown Design with Template Deformation and Refinement

MADCrowner: 带边界的牙冠设计与模板变形与细化

Linda Wei, Chang Liu, Wenran Zhang, Yuxuan Hu, Ruiyang Li, Feng Qi, Changyao Tian, Ke Wang, Yuanyuan Wang, Shaoting Zhang, Dimitris Metaxas, Hongsheng Li

机构 * Multimedia Laboratory, The Chinese University of Hong Kong（香港中文大学多媒体实验室） ； College of Biomedical Engineering, Fudan University（复旦大学生物医学工程学院） ； Sensetime Research（商汤科技研究院） ； Department of Second Dental Center, Shanghai Ninth People's Hospital, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院第九人民医院第二牙科中心） ； Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系） ； Department of Computer Science, Rutgers University（罗格斯大学计算机科学系） ； Centre for Perceptual and Interactive Intelligence (CPII) under InnoHK（InnoHK下的感知与交互智能中心） ； Shanghai Stomatological Hospital, Fudan University（复旦大学上海牙科医院） 纠错

AI总结 MADCrowner通过结合模板变形和边缘分割网络，实现了高精度的牙冠设计，提升了几何精度和临床可行性。

From Word to World: Can Large Language Models be Implicit Text-based World Models?

从词到世界：大型语言模型能否作为隐式的基于文本的世界模型？

Yixia Li, Hongru Wang, Jiahao Qiu, Zhenfei Yin, Dongdong Zhang, Cheng Qian, Zeping Li, Pony Ma, Guanhua Chen, Heng Ji

机构 * Southern University of Science and Technology（南方科技大学） ； Microsoft Research（微软研究院） ； University of Edinburgh（爱丁堡大学） ； Princeton University（普林斯顿大学） ； Oxford University（牛津大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学香槟分校） ； Fudan University（复旦大学） ； Mind Lab 纠错

AI总结 本文研究了大型语言模型在基于文本的环境中作为世界模型的可行性，通过三个评估层面验证了其在提升智能体性能方面的有效性，并明确了环境复杂性和行为覆盖对世界建模效果的影响。

CCSD: Cross-Modal Compositional Self-Distillation for Robust Brain Tumor Segmentation with Missing Modalities

CCSD：跨模态组合自蒸馏用于缺失模态的鲁棒脑肿瘤分割

Dongqing Xie, Yonghuang Wu, Zisheng Ai, Jun Min, Zhencun Jiang, Shaojin Geng, Lei Wang

机构 * Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University（上海智能自主系统研究院，同济大学） ； College of Biomedical Engineering, Fudan University（生物医学工程学院，复旦大学） ； School of Medicine, Tongji University（医学院，同济大学） ； College of Information Engineering, China Jiliang University（信息工程学院，中国嘉兴大学） 纠错

AI总结 CCSD通过跨模态组合自蒸馏方法，提升在缺失模态下的脑肿瘤分割鲁棒性与泛化能力。

Comments 29 pages, 5 figures, 6 tables

SAMPO-Path: Segmentation Intent-Aligned Preference Optimization for Pathology Foundation Model Segmentation

SAMPO-Path: 分段意图对齐的偏好优化用于病理基础模型分段

Yonghuang Wu, Wenwen Zeng, Xuan Xie, Chengqian Zhao, Guoqing Wu, Jinhua Yu

机构 * School of Biomedical Engineering and Technological Innovation, Fudan university, Shanghai, China.（生物医学工程与技术创新学院，复旦大学，上海，中国） 纠错

AI总结 SAMPO-Path通过偏好优化框架提升病理图像分割的准确性和临床意图一致性。

Comments 15 pages, 9 tables, 8 figures

Why Reinforcement Fine-Tuning Enables MLLMs Preserve Prior Knowledge Better: A Data Perspective

为何强化微调能更好地使大语言模型保留先验知识：从数据角度出发

Zhihao Zhang, Qiaole Dong, Qi Zhang, Jun Zhao, Enyu Zhou, Zhiheng Xi, Senjie Jin, Xiaoran Fan, Yuhao Zhou, Mingqi Wu, Yanwei Fu, Tao Ji, Tao Gui, Xuanjing Huang, Kai Chen

机构 * Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Collaborative Innovation Center of Intelligent Visual Computing（上海智能视觉计算协同创新中心） 纠错

AI总结 本文通过数据视角揭示强化微调（RFT）相较于监督微调（SFT）在保留大语言模型先验知识方面的优势，发现RFT通过强化正确样本与基模型对齐，有效减少对先验知识的干扰。

Comments Accepted by ICLR 2026

Collaborative Learning of Local 3D Occupancy Prediction and Versatile Global Occupancy Mapping

局部3D占用预测与多功能全局占用映射的协同学习

Shanshuai Yuan, Julong Wei, Muer Tie, Xiangyun Ren, Zhongxue Gan, Wenchao Ding

机构 * College of Intelligent Robotics and Advanced Manufacturing, Fudan University（智能机器人与先进制造学院，复旦大学） ； State Key Laboratory of Intelligent Vehicle Safety Technology, Chongqing Changan Automobile Co., Ltd.（智能车辆安全技术重点实验室，重庆长安汽车有限公司） 纠错

AI总结 本文提出LMPOcc框架，通过整合全局占用先验提升局部预测性能，并实现全局地图的持续更新，适用于自动驾驶中的3D语义占用预测与大规模地图构建。

Comments Accepted by ICRA 2026