1. 从一份论文汇总清单说起为什么值得花时间做这件事每周固定时间刷一遍计算机视觉方向的预印本更新这个习惯我坚持了快四年。最开始纯粹是怕自己掉队——这个领域迭代速度实在太快三个月不看新论文再回到组会讨论时就会发现自己连别人用的backbone名字都没听过。后来慢慢发现单纯刷和系统性地汇总完全是两回事。刷是碎片化的看到标题顺眼就点进去扫两眼摘要关掉页面基本就忘了而汇总是有结构的它逼着你去归类、去对比、去判断哪些工作值得深挖、哪些只是换个数据集刷点。这份2026年9月30日的计算机视觉论文汇总就是我在这个习惯下产出的东西。它本身不是一个具体的算法项目也不是一套可运行的代码而是一份信息组织与筛选的产物。但恰恰是这种元工作对做研究、做工程落地、甚至准备课程大作业的人来说价值往往被低估。你想想一个刚入门计算机视觉的学生面对每天几十上百篇新预印本最大的痛苦不是读不懂某一篇而是根本不知道该读哪一篇。一份经过人工筛选和归类的汇总本质上是在帮读者节省最宝贵的注意力资源。我先把这份汇总的定位说清楚它覆盖的是计算机视觉方向在特定时间窗口内的预印本更新重点关注3D重建、视频生成、目标检测架构演进、多模态融合这几条主线。这几条线不是随便选的而是结合了当前社区讨论热度、工业界落地需求以及我自己团队正在推进的方向综合确定的。关键词里出现的DETR、YOLOv10、CLIP、DINO、UNetFormer、RS3Mamba这些都是这几条主线上绕不开的节点性工作。而热搜词里那些关于视频生成工具、内存溢出、论文下载、论文框架搭建的内容则反映了另一层真实需求——很多人不只是想知道有什么论文而是想把论文里的东西用起来。所以这篇博文我不会只给你一份干巴巴的清单。清单谁都能列爬虫跑一遍arxiv的API按时间排序导出就行。真正有价值的是这些论文背后的问题意识是什么它们之间是什么关系如果你要顺着某一条线深入应该按什么顺序读读的时候重点看什么以及从论文到落地之间还隔着哪些坑。我会把这份汇总拆成几个层次来讲从整体格局到单点突破再到工具链和实操建议尽量让不同基础的读者都能找到自己能用的部分。提示本文讨论的所有论文均为公开预印本具体方法细节请以原文和官方代码仓库为准。我在文中给出的判断带有个人视角仅供参考不构成对任何工作价值的最终定论。2. 这份汇总覆盖的几条主线及其内在逻辑2.1 为什么是这四条线而不是别的计算机视觉的版图太大了从底层图像处理到高层语义理解从二维到三维从静态到动态任何一个方向单拎出来都能写一本书。做汇总最忌讳的就是贪多求全最后变成一份没有重点的目录。我选择聚焦四条线背后有一套筛选逻辑。第一条是3D重建与神经渲染。这条线的热度从NeRF爆发之后就一直没有降过但最近一年的明显趋势是从能重建转向重建得快、重建得省、重建得可编辑。热搜词里上传一段视频生成对应的三维场景正好戳中了这个方向的核心应用场景。工业界对这块的需求非常实在——电商要商品三维展示游戏要快速资产生成机器人要环境建模这些都是真金白银的场景。第二条是视频生成。这条线在2026年已经从前两年的能不能生成进入到了生成得可不可控、成本能不能降下来的阶段。热搜词里大量出现comfyui、帧生成、首尾帧控制、内存溢出这些词说明社区已经从看demo视频的兴奋期进入了实际动手部署和调优的阶段。这是一个非常健康的信号意味着技术开始真正下沉。第三条是检测与分割架构的演进。DETR系列、YOLO系列、以及各种基于Mamba和Transformer的变体这条线看起来传统但恰恰是工业落地最密集的地方。你去看任何一个实际部署的视觉系统检测和分割几乎都是标配模块。这条线的论文数量多、迭代快但真正有结构性创新的其实不多需要仔细甄别。第四条是多模态融合与视觉-语言模型。CLIP和DINO打开了自监督视觉表征的大门之后视觉和语言的边界越来越模糊。这条线的价值在于它提供的是通用能力可以迁移到上面三条线的任何一个任务上。多模态融合论文之所以值得单独拎出来是因为它往往是其他方向突破的底层驱动力。2.2 四条线之间的交叉关系这四条线不是孤立的它们之间存在大量的交叉。举几个具体的例子你就明白了。视频生成和3D重建的交叉点在于时空一致性。生成一段视频如果相机在动、物体在动那么这段视频本质上隐含了一个动态三维场景。反过来如果你有一个三维场景表示渲染出视频就是顺理成章的事。所以你会看到很多工作同时出现在这两个方向的列表里它们在做的事情是用三维先验约束视频生成或者用视频生成的数据来辅助三维重建。检测分割和多模态的交叉点在于开放词汇。传统的检测器只能检测训练时见过的类别而CLIP这类视觉-语言模型让用自然语言描述你想检测什么成为可能。这就是开放词汇检测和分割的技术基础。热搜词里的DETR论文、CLIP论文本质上是在为这条交叉线提供基础设施。视频生成和多模态的交叉点在于可控性。你想让模型生成一只在雪地里奔跑的柯基夕阳逆光慢镜头这就是用语言控制视频生成。这背后需要强大的跨模态对齐能力。热搜词里minimax h3生成5秒视频提示词需要多少字这种问题表面上是问提示词长度深层其实是在问语言和视频之间的映射到底有多精细。理解了这些交叉关系你在读单篇论文的时候就不会孤立地看而是能把它放到一张网里知道它在解决哪个交叉点上的问题它的贡献会辐射到哪些其他方向。2.3 汇总的筛选标准我到底留下了什么既然做汇总就必须说清楚筛选标准否则读者没法判断这份汇总的可信度。我主要看四个维度。第一是问题的新颖度。如果一个工作只是把已有的方法换个数据集跑一遍或者把A模块和B模块拼在一起刷点我基本会略过。真正值得留下的是提出了新问题、或者对老问题给出了新视角的工作。第二是方法的可复现性。预印本阶段很多工作没有开源代码如果方法描述又不够详细那它的参考价值就大打折扣。我会优先保留那些有代码链接、或者方法描述足够清晰到能让人复现的工作。第三是实验的扎实程度。看对比基线是否合理、消融实验是否充分、是否在多个数据集上验证。那种只在一个数据集上比SOTA、消融做得潦草的工作我会标注出来提醒读者谨慎对待。第四是与实际应用的距离。有些工作理论很漂亮但离落地很远有些工作看起来朴素但直接能用在项目里。我会在汇总里对这两类做区分让做研究和做工程的人各取所需。下面这张表是我对四条主线在本次汇总中大致分布的梳理方便你快速定位自己关心的方向。主线方向关注重点典型关键词适合人群3D重建与神经渲染重建速度、可编辑性、稀疏视角3D重建、神经渲染、场景表示图形学、机器人、电商视频生成可控性、时序一致性、推理成本视频生成、首尾帧、帧生成内容创作、AIGC工程检测与分割架构效率、开放词汇、小目标DETR、YOLOv10、分割工业检测、自动驾驶多模态融合跨模态对齐、自监督表征CLIP、DINO、多模态研究、通用模型开发3. 3D重建与神经渲染从能重建到重建得可用3.1 稀疏视角重建为什么是当前最硬的骨头如果你只用几十张甚至几张图片就要重建出一个完整的三维场景这就是稀疏视角重建问题。它难在哪难在信息量根本不够。传统多视角立体几何方法需要大量有重叠的视角才能三角化出稠密点云视角一少匹配就失败重建出来就是一堆空洞。神经渲染方法以NeRF为代表在一定程度上缓解了这个问题因为它用隐式函数来表示场景相当于用先验知识去脑补缺失的部分。但NeRF本身对视角数量还是有要求的视角太少会导致过拟合重建结果在没见过的视角下就崩了。最近这条线上的工作主要在解决三个子问题。一是如何引入更强的几何先验比如用单目深度估计模型提供粗略的深度图作为监督信号。二是如何设计更高效的场景表示比如用三平面表示、哈希编码、或者高斯泼溅来替代纯MLP把训练时间从几天压缩到几分钟。三是如何做到可编辑重建出来的场景不能只是一坨不能动的点云要能分割、能替换物体、能改变光照。热搜词里上传一段视频生成对应的三维场景这个需求本质上就是稀疏视角重建的一个变种——视频提供了连续的多视角信息但单帧质量可能不高且存在运动模糊。这类方法的关键在于如何利用视频的时序连续性来补偿单帧信息的不足。3.2 高斯泼溅之后场景表示往哪走高斯泼溅Gaussian Splatting在2023年出现之后几乎重塑了整个神经渲染领域的格局。它的核心思想很朴素不用隐式函数直接用一堆三维高斯椭球来表示场景渲染的时候把这些高斯投影到图像平面再做混合。好处是渲染极快训练也快而且表示是显式的方便编辑。但高斯泼溅不是终点。它有几个明显的短板一是内存占用大一个复杂场景动辄几百万个高斯显存吃不消二是对反光和透明材质处理不好因为高斯本身是各向同性的简化模型三是动态场景支持有限虽然有一些工作在做四维高斯但时序一致性还是问题。本次汇总里我注意到几个有意思的方向。一个是高斯数量的自适应压缩通过剪枝和量化把高斯数量降下来同时尽量保持渲染质量。另一个是混合表示用高斯处理高频细节用隐式场处理低频结构各取所长。还有一个是语义高斯给每个高斯附加语义标签这样重建出来的场景天然支持分割和编辑。如果你要上手这条线我的建议是先跑通官方的高斯泼溅实现理解它的训练流程和渲染管线然后再去看那些改进工作。直接啃改进版容易一头雾水因为很多改进是建立在对你已经熟悉基线的前提下的。3.3 从重建到落地还差什么论文里的重建质量和实际项目里的可用性之间隔着好几道坎。我在实际项目里踩过的坑这里分享几个。第一道坎是尺度问题。论文通常在标准数据集上评测这些数据集的尺度是已知的、统一的。但实际项目里你拿到的图像可能没有任何尺度信息重建出来的场景是相对尺度的没法直接用于测量或物理仿真。解决办法是引入一个已知尺寸的参照物或者用单目度量深度模型来估计绝对尺度。第二道坎是动态物体。大多数重建方法假设场景是静态的。但真实场景里有人走动、有树叶飘动、有屏幕闪烁。这些动态元素会严重干扰重建产生鬼影。处理办法要么是在预处理阶段把动态区域mask掉要么是用动态重建方法显式建模运动。第三道坎是计算资源。论文里动辄用A100训练几天实际项目里你可能只有一张消费级显卡。这时候就需要在质量和速度之间做权衡比如降低分辨率、减少高斯数量、用更激进的剪枝策略。我的经验是先把分辨率降到能接受的最低跑通整个流程再逐步往上加而不是一上来就追求论文里的配置。注意重建类工作的评测指标PSNR、SSIM、LPIPS和人类主观感受之间并不总是一致。PSNR高的结果看起来不一定舒服因为PSNR对模糊的惩罚不够。实际选型时一定要自己肉眼看渲染结果别只看数字。4. 视频生成可控性和成本是2026年的主战场4.1 首尾帧控制为什么成了刚需热搜词里ltx2.3首尾帧生成视频和minimax h3生成5秒视频提示词需要多少字这两个问题指向的是同一个核心需求可控性。早期的视频生成模型你给它一段文字它给你一段视频但具体生成成什么样基本靠运气。你想让画面从A状态平滑过渡到B状态模型做不到。首尾帧控制就是解决这个问题的。你给定第一帧和最后一帧模型负责生成中间的过程。这在动画制作、广告分镜、产品演示等场景里是刚需。技术上这类方法通常需要在扩散模型的去噪过程中引入额外的条件约束让生成轨迹在首尾两端被钉住。实现首尾帧控制有几个关键难点。一是中间帧的合理性模型不能只是简单地在两帧之间做插值那样会得到模糊的过渡而是要生成符合物理规律和语义逻辑的中间状态。二是时序一致性相邻帧之间不能有闪烁或跳变。三是运动幅度控制有时候你希望过渡平缓有时候希望有剧烈的动作变化这需要额外的控制信号。从实操角度如果你用comfyui这类工具做首尾帧生成提示词的写法很关键。我的经验是提示词要描述变化过程而不是静态画面。比如不要写一只猫在沙发上而要写一只猫从沙发左侧跳到右侧身体舒展尾巴上扬。描述运动方向、速度感、姿态变化比堆砌形容词有用得多。4.2 内存溢出comfyui视频生成最常见的拦路虎热搜词里comfyui生成视频时爆内存和解决comfyui视频生成内存溢出问题的完整指南出现了不止一次说明这是社区里极其普遍的痛点。我自己也被这个问题折磨过很久这里把排查思路完整讲一遍。内存溢出通常发生在三个环节。第一是模型加载阶段如果你同时加载了多个大模型比如一个基础模型加一个运动模块加一个超分模块显存很容易爆。解决办法是按需加载用完就卸载虽然会增加一点加载时间但能大幅降低峰值显存。第二是潜空间解码阶段视频的潜空间表示比图像大得多解码时如果一次性解码所有帧显存需求会线性增长。解决办法是分块解码一次只解码几帧然后拼接。第三是注意力计算阶段视频的注意力矩阵是帧数乘以每帧token数的平方帧数一多就是灾难。解决办法是用分帧注意力或者稀疏注意力把全局注意力拆成局部注意力。具体到comfyui的配置有几个参数值得调整。批大小batch size尽量设为1不要贪心。分辨率先降到512甚至384跑通流程确认没问题再往上加。如果用了framepackwrapper这类节点注意它的分块策略是否和你的显存匹配。还有一个容易被忽略的点是系统内存和显存的交换如果你的显存不够但系统内存充足可以开启显存卸载让部分数据暂存在内存里代价是速度变慢。提示排查内存溢出时先用最小的配置最短帧数、最低分辨率、最少模型跑通然后逐个往上加参数每次只加一个观察显存变化。这样能快速定位到底是哪个环节吃掉了显存。4.3 降低生成成本的几条现实路径视频生成的计算成本是它大规模落地的最大障碍。生成一段几秒的视频如果用高配置跑电费和算力成本相当可观。热搜词里生成视频降低成本和本地部署自动化ai视频生成反映了大家对这个问题的关注。降低生成成本有几条路径我按性价比排序。第一条是降低分辨率再超分先用低分辨率生成再用图像超分模型逐帧提升。这样做的代价是可能损失一些高频细节但对很多应用场景来说够用了。第二条是减少采样步数用更激进的采样器或者蒸馏方法把几十步压缩到几步。这需要模型本身支持少步采样或者用专门的加速方法。第三条是复用中间结果比如生成一段长视频时相邻片段之间共享一部分潜空间表示避免重复计算。第四条是模型量化把模型权重从FP16量化到INT8甚至INT4显存占用和计算量都能大幅下降代价是质量可能略有损失。从工程角度我建议把这几条路径组合使用。比如先量化模型再用低分辨率生成最后超分。这样能在质量和成本之间找到一个可接受的平衡点。具体怎么组合取决于你的应用对质量的要求有多高。4.4 视频生成和三维场景的联动前面提到视频生成和3D重建有交叉这里展开说一下。一个越来越明显的趋势是用三维表示来约束视频生成或者用视频生成来辅助三维重建。用三维约束视频生成的好处是几何一致性。纯二维的视频生成模型在相机运动时容易出现物体形变、穿模、背景漂移等问题。如果模型内部有一个三维场景表示渲染出来的视频天然满足几何一致性。这类方法通常需要先估计相机位姿然后在一个规范化的三维空间里生成内容。反过来用视频生成辅助三维重建的好处是数据增强。三维重建需要大量多视角数据而真实的多视角数据采集成本很高。如果能用视频生成模型合成出合理的多视角视频就能为重建提供更多训练数据。当然这里有个鸡生蛋蛋生鸡的问题——生成的多视角视频本身是否几何一致又依赖于生成模型的质量。这条交叉线目前还在早期但我觉得是未来一两年很有潜力的方向。如果你在做相关研究值得重点关注。5. 检测与分割老赛道里的新变量5.1 DETR系列走到今天解决了什么又留下了什么DETRDetection Transformer刚出来的时候最大的卖点是端到端——不需要锚框、不需要非极大值抑制直接输出检测结果。这在当时是很激进的因为之前的检测器都依赖大量手工设计的组件。但DETR有个致命问题收敛太慢训练需要几百个epoch而YOLO系列几十个epoch就能收敛。后续的DETR改进工作主要围绕两个方向。一是加速收敛通过引入可变形注意力、去噪训练、混合查询选择等技巧把训练epoch降下来。二是提升小目标检测能力原始DETR在小目标上表现不佳因为它的注意力是全局的小目标的信息容易被淹没。到2026年DETR系列已经相当成熟在多个基准上能和YOLO系列掰手腕。但它留下的问题也很明显计算复杂度还是偏高尤其是高分辨率输入时注意力矩阵的平方复杂度是硬伤。另外对训练数据的依赖依然比YOLO系列强在数据稀缺的场景下优势不明显。如果你要选检测器我的建议是如果追求极致速度和部署便利YOLO系列依然是首选如果追求端到端的简洁性和在某些特定场景下的精度DETR系列值得考虑。不要盲目追新要看你的实际约束。5.2 YOLOv10之后效率优化还有多少空间YOLO系列迭代到v10很多人会问还能怎么优化我的判断是架构层面的红利基本吃完了接下来的优化空间在训练策略和部署工程上。架构层面从v1到v10骨干网络、颈部结构、检测头都已经被反复打磨很难再有大的结构性突破。YOLOv10提出的无NMS训练和一致性双分配策略已经是比较激进的改进了。再往下走可能就是微调层面的优化。训练策略层面还有空间。比如数据增强的组合方式、损失函数的加权、正负样本分配策略这些对最终精度的影响其实很大但往往被忽视。我见过不少项目换个检测器精度提升不明显但调整训练策略后精度涨了好几个点。部署工程层面空间更大。量化、剪枝、蒸馏、算子融合这些手段能把推理速度再压一截。尤其是在边缘设备上工程优化的收益往往比换模型更大。热搜词里yolov10论文被频繁搜索说明很多人关注这个方向但我建议不要只盯着论文多看看部署相关的工程实践。5.3 开放词汇检测和分割的实际价值传统检测器只能检测训练时定义好的类别。你想检测一个新类别就得重新标注数据、重新训练。开放词汇检测和分割打破了这个限制它利用视觉-语言模型如CLIP的跨模态对齐能力让你用自然语言描述想检测的类别。这个能力的实际价值在于灵活性。比如一个工业质检系统今天要检测划痕明天要检测气泡后天要检测色差。如果用传统检测器每换一个缺陷类型就要重新训练。用开放词汇方法你只需要改一下文本描述就行。但开放词汇方法也有明显的短板。精度通常不如专用检测器尤其是在细粒度类别上。推理速度偏慢因为要计算图像和文本的相似度。对文本描述的敏感度高同一个类别换个说法检测结果可能就不一样。我的经验是开放词汇方法适合类别多变、标注数据稀缺的场景作为快速原型或者辅助手段。如果某个类别的检测需求是长期稳定的还是训练专用检测器更靠谱。5.4 小目标和密集场景工业落地的真实痛点论文里的检测器在COCO上刷到很高的AP但一到实际工业场景就拉胯。最常见的问题就是小目标和密集场景。小目标难检测的根本原因是信息量少。一个32x32像素的目标经过骨干网络下采样后特征图上可能就剩几个像素信息损失严重。解决办法有几种一是提高输入分辨率但计算量会上去二是用特征金字塔的多尺度融合把浅层的高分辨率特征和深层的语义特征结合起来三是专门设计小目标检测头在浅层特征上做检测。密集场景的难点在于目标之间的遮挡和粘连。传统NMS在密集场景下容易误删正确检测框。解决办法包括Soft-NMS、基于学习的NMS、以及端到端检测器如DETR系列天然不需要NMS。我在工业质检项目里的经验是数据比模型重要。与其花时间调模型不如花时间把标注做精细尤其是小目标的标注边界框要贴紧不要留太多背景。另外难例挖掘很关键把模型检测错的样本挑出来重点训练比盲目加数据有效得多。6. 多模态融合视觉表征的底层驱动力6.1 CLIP和DINO之后自监督视觉表征往哪走CLIP的核心贡献是用对比学习把图像和文本映射到同一个嵌入空间。这样图像和文本可以直接计算相似度实现了零样本分类。DINO则是在纯视觉领域做自监督通过自蒸馏让模型学习到有语义结构的表征而且不需要任何标签。这两个工作之后自监督视觉表征的发展方向主要有几个。一是多模态自监督同时利用图像、文本、音频等多种模态的信号来训练。二是掩码建模像MAE那样随机遮挡图像的一部分让模型预测被遮挡的内容这种方式能学到很好的空间结构理解。三是统一表征让同一个模型既能做分类、又能做检测、又能做分割而不需要为每个任务单独设计头部。从实用角度CLIP和DINO的表征已经被广泛用作下游任务的初始化。如果你要做一个视觉任务数据量不够从头训练用CLIP或DINO的预训练权重做初始化通常能显著提升效果。这是目前性价比最高的做法之一。6.2 多模态融合在视频理解里的特殊挑战视频是多模态融合最复杂的场景之一因为它同时包含空间信息、时间信息、音频信息、文本信息。如何把这些模态有效地融合起来是一个开放问题。空间和时间的融合是基础。视频的每一帧是空间信息帧与帧之间的关系是时间信息。简单的做法是把视频当成一堆独立的帧处理然后做时序聚合。但这样会丢失细粒度的运动信息。更好的做法是用三维卷积或者时空注意力同时建模空间和时间。音频和视觉的融合是另一个维度。音频和视觉在时间上是对齐的比如说话时嘴型要和声音匹配。这种跨模态的时序对齐是视频理解特有的挑战。有些工作用对比学习来对齐音频和视觉表征有些工作用交叉注意力来建模两者的交互。文本和视频的融合则更多用于检索和描述生成。给定一段视频生成一段文字描述或者给定一段文字检索对应的视频片段。这类任务的关键是细粒度的跨模态对齐因为视频里的动作、物体、场景都需要被准确地映射到文字上。6.3 多模态论文怎么读才不浪费时间多模态方向的论文数量庞大而且很多工作看起来相似读起来容易疲劳。我总结了一套读这类论文的方法能帮你快速判断一篇工作值不值得深读。第一步看它解决的是什么对齐问题。多模态的核心永远是对齐——图像和文本对齐、视频和音频对齐、视觉和语言对齐。看它的对齐是在什么粒度上做的是全局的还是局部的是粗粒度还是细粒度。第二步看它用什么监督信号。是对比学习、是掩码预测、还是生成式建模。不同的监督信号决定了模型学到的东西不一样。第三步看它的评测方式。多模态工作的评测很容易做手脚比如在检索任务上负样本的采样方式对结果影响很大。看它的评测协议是否公平对比基线是否合理。第四步看它的实际可用性。有些工作只在学术基准上好看实际用起来各种问题。看它有没有开源、有没有在实际场景验证过。按这四步走一篇多模态论文十分钟内就能判断出值不值得深读。省下来的时间可以用来读那些真正有启发的工作。7. 把论文汇总变成实际生产力工具链和习惯7.1 论文管理从下载到归档的完整流程热搜词里如何下载最新ieee论文、论文阅读工具、zotero codex管理论文这些反映的是大家对论文管理工具链的需求。我把自己用了几年的一套流程分享出来。下载环节预印本直接从arxiv获取这是最方便的。正式发表的论文如果学校或公司有订阅用机构账号下载。没有订阅的可以看作者主页是否放了预印本版本。下载时统一命名规范我用的格式是年份-会议-一作-关键词比如2026-CVPR-Zhang-GaussianSplatting这样一眼就能看出是哪篇。归档环节用Zotero做管理。Zotero的好处是能自动抓取元数据、能打标签、能全文搜索。我会给每篇论文打上方向标签3D、视频、检测、多模态和状态标签待读、在读、已读、重点。这样想找某个方向的论文时筛选一下就行。阅读环节我分三遍读。第一遍读标题、摘要、图表判断这篇工作值不值得深读。第二遍读方法和实验理解它的核心贡献。第三遍读细节和附录如果我要复现或者借鉴的话。不是每篇都读三遍大部分论文读一遍就够了。笔记环节我用Markdown记笔记每篇论文一个文件记录核心思想、关键公式、实验结论、以及我自己的评价。笔记不求全但求有自己的判断。过一段时间回头看这些判断往往比论文本身更有价值。7.2 用AI辅助论文阅读的正确姿势热搜词里如何对利用deepseek生成的一篇论文不断投喂指令、去ai意味这些说明很多人已经在用AI辅助论文阅读和写作了。我的态度是AI是很好的助手但不能替代你自己的判断。用AI辅助阅读我主要用它做三件事。一是翻译和解释遇到看不懂的段落让AI用通俗的语言解释一遍。二是总结把长论文的核心贡献、方法、结论提炼成几句话。三是问答针对论文的某个细节提问让AI帮你定位到相关段落。但有几个坑要注意。第一AI可能会编造内容尤其是涉及具体数字和公式时一定要回原文核对。第二AI的总结可能丢失关键细节它倾向于给出笼统的概括而论文的价值往往在细节里。第三不要让AI替你做判断一篇论文好不好、值不值得跟进最终要你自己决定。至于用AI写论文我的建议是把它当润色工具而不是创作工具。核心思想、实验设计、结论分析必须是你自己的AI可以帮你把表达改得更流畅但不能替你思考。热搜词里去ai意味这个需求很真实因为AI写的文字确实有股套路味读起来空洞。解决办法是先用你自己的话把意思写出来再让AI润色而不是直接让AI生成。7.3 从论文到复现中间隔着多少坑读论文和复现论文是两回事。我复现过不少工作踩过的坑可以写一本书。这里挑几个最典型的说说。第一个坑是环境配置。论文里往往只写我们用PyTorch实现但具体版本、CUDA版本、依赖库版本一概不提。不同版本之间的API差异可能导致代码跑不起来。我的做法是先看官方仓库有没有requirements文件或者Dockerfile有的话直接用。没有的话去issue区看别人是怎么配的。第二个坑是数据预处理。论文里对数据预处理的描述往往很简略但预处理对结果影响巨大。比如图像归一化的均值方差、数据增强的具体参数、训练测试划分的方式这些细节不写清楚复现结果就对不上。我的做法是如果官方代码开源直接看代码里的预处理逻辑如果没开源就发邮件问作者。第三个坑是超参数。学习率、批大小、训练轮数、优化器参数这些在论文里通常只给一个大概。但超参数对结果影响很大尤其是学习率和批大小。我的做法是先按论文给的跑一遍如果结果对不上再在小范围内做超参数搜索。第四个坑是评测协议。同一个数据集不同的评测协议可能给出不同的结果。比如检测任务里是算mAP还是算AP50是单尺度还是多尺度测试这些都会影响最终数字。复现时一定要和论文用完全相同的评测协议否则比较没有意义。7.4 建立自己的论文追踪节奏最后说说怎么建立可持续的论文追踪习惯。我的节奏是每周一次小汇总每月一次大梳理。每周固定一个时间我选的是周五下午花一两个小时刷一遍这周的新预印本快速过标题和摘要把值得关注的挑出来打上标签。这个过程不求深读只求不错过重要的东西。每月花半天时间把这个月挑出来的论文做一次梳理按方向归类看看有没有形成趋势有没有相互关联的工作。这个梳理的产物就是像本文这样的汇总。每季度做一次深度回顾挑几篇这个季度最重要的论文精读尝试复现或者借鉴到自己的项目里。这个节奏的关键是坚持而不是一次读多少。每周两小时一年下来就是一百小时足够你把这个领域的主要进展摸清楚了。最怕的是三天打鱼两天晒网或者一次性读一大堆然后几个月不碰。提示追踪论文不要只盯着顶会。很多有价值的工作先发在预印本上等顶会接收时已经过了半年。预印本加顶会结合着看才能跟上最新进展。8. 一些关于论文汇总这件事本身的体会做论文汇总这几年我最大的体会是汇总的价值不在于信息本身而在于信息之间的连接。单篇论文的信息你去arxiv一搜就有不需要我来汇总。但把几十篇论文放在一起看出它们之间的继承关系、竞争关系、互补关系这个连接的价值是单篇论文给不了的。另一个体会是筛选比收集难得多。收集论文很容易写个爬虫就行。但判断哪些论文值得留下、哪些可以略过需要你对这个领域有足够的理解。这个判断力不是一天练成的是靠大量阅读和实际动手积累出来的。我早期做的汇总现在回头看留了很多其实没什么价值的工作也漏掉了一些后来证明很重要的。这很正常判断力就是在不断犯错中提升的。还有一点汇总要服务于具体的目的。纯粹为了汇总而汇总最后会变成一份没人看的清单。我做这份汇总是因为我自己要用我的团队要用我认识的一些做相关方向的朋友要用。有了具体的使用场景汇总才有针对性才知道该重点覆盖什么、该略过什么。如果你也想做自己的论文汇总我的建议是先明确你的读者是谁他们关心什么然后围绕这个来组织内容。不要追求大而全追求小而精。一份能让读者看完之后知道接下来该读哪几篇、该关注哪个方向的汇总比一份列了几百篇论文的目录有价值得多。最后分享一个我自己的小习惯每次做完汇总我会在最后写一段如果只读三篇我推荐哪三篇为什么。这个动作逼着我去做优先级排序也逼着我去想清楚每篇论文的核心价值到底是什么。时间长了这个习惯对提升判断力帮助很大。