9月1号这期cs.CV板块我照例是早上七点多刷开的。和过去每周一几乎一样的情形一晚上新增了两百多篇标题列表扫下来信息量极大。但和几个月前不太一样的是今年暑期档的投稿质量和方向分布已经明显拉开差距——纯刷榜的工作在减少真正想把某一件事做扎实的工作开始浮出水面。这篇汇总不是单纯的论文列表而是我在这周扫描完整期cs.CV之后留下的方向观察、筛选方法、三篇精读拆解和一部分复现心得。适合正在跟进CV前沿的人、要开题或找研究方向的研究生、以及准备把论文方法落到工程里的算法工程师。如果你刚接触计算机视觉前半部分关于筛选和基本功的建议也能帮你少走弯路。1. 2026.09.01这期我重点盯了三个方向先说总体的方向判断。9月1号这期cs.CV的论文分布里单模态的纯视觉工作明显在变小绝大部分论文的摘要里都会出现多模态、大规模预训练、效率压缩这类关键词。这不是某个团队的风向改变而是整个领域的基础设施发生了迁移。我分别说说这期里值得关注的三条线。1.1 多模态统一单独的检测或分割论文在减少这期cs.CV里仍然把目标检测、语义分割当作唯一任务的论文数量比去年同期少了不少。取而代之的是大量把检测、分割、姿态估计、深度估计塞进同一个模型框架的工作。这类工作的共同套路是用统一的tokenizer把不同模态和不同任务的特征对齐然后在一个Transformer骨干网络之上剩下的事情全部交给任务特定的query和decoder头。这个趋势直接改变了选题策略。如果你现在还想靠把Faster R-CNN的backbone换一下或者给SegFormer加个模块来发论文基本已经不太可能了。我在今年审稿的几篇稿子也体现了这一点——审稿人问的第一个问题往往是你的方法和多模态统一模型对比了吗而不是你的模块在单一任务上涨了几个点。对新人来说这条线的门槛主要在数据混合和训练策略上而不在模型结构上。单跑一个任务的数据集很容易过拟合但要让一个模型同时学会检测和分割学习率的调度、任务的采样比例、loss权重的配比这些细节比模型本身的创新更关键。这期有几篇工作就是直接在训练策略上做文章不改变网络结构纯粹靠调整任务间的梯度冲突就把多任务的效果拉高了一截。1.2 视频理解进入长时序竞争阶段这期的视频方向论文几乎都在解决同一个问题如何让模型看得更久。早期视频模型只能处理几秒的clip后来慢慢扩展到几十秒这期已经出现能够处理分钟级视频输入的工作。核心难点在于直接把帧token全部丢给Transformer显存和算力都扛不住所以各家都在做token压缩有的用帧间的特征hash做去重有的用可学习的合并策略把相邻帧的相似token融合还有的用稀疏注意力只对关键帧做全局计算。我特别留意到一篇处理方式比较巧妙的它把视频看成短时细节长期记忆两层结构细节层用高分辨率处理当前片段记忆层用一个不断更新的压缩特征池来记录前面的内容。这个思路其实很像人看视频的方式——你不会记住每一帧的每个像素但你会保留一个概要性的记忆然后在需要的时候回过头去查细节。这个机制和很多视觉语言模型里常用的memory bank有类似之处但它是在视频token层面做的更底层一些。长时序视频这个方向工程落地价值很高因为实际业务里的视频动辄几分钟甚至更长而大多数现有模型只能处理几秒的片段。做安防、内容理解、自动驾驶数据挖掘的人可以重点跟进这条线。1.3 高效小模型重新回到话题中心这期有不少工作在做把大模型变小这件事。蒸馏、量化、剪枝这些词出现频率很高而且不再只是做一个压缩实验那么简单很多工作是直接把效率目标写进了训练过程比如从零开始训练一个小模型然后在训练过程中让大模型以teacher的身份逐步退出。这个思路比训练完了再压缩要稳最终模型的精度损失小很多。另外以MoE结构做视觉tokens稀疏激活的工作也很多。思路是不是所有token都需要经过同样多的计算量简单背景区域的token用少量参数处理复杂物体区域的token才用大计算量。这种动态路由的方式在不损失精度的前提下能减少40%-60%的推理计算量。对于大多数做应用的团队来说这条线是离业务最近的。动不动就上几百B的大模型不是所有公司都能承受的能够用消费级显卡跑起来的视觉模型才是工程落地里真正稀缺的东西。2. 从两百多篇到十篇我的三筛法实际操作每次cs.CV更新真正能进精读池的论文可能只有个位数。今天这期两百多篇我最后精读完的只有七篇通读摘要的大概五十篇。这个筛选动作不是靠感觉而是有一套相对固定的流程我已经跑了快两年效率和准确率都还稳定。2.1 第一轮筛选标题加摘要加图表十分钟内决定去留第一轮的目标是在不读正文的前提下判断一篇论文是否与我的研究方向相关、是否有足够的创新点。我的操作路径是先看标题里的动词是surpass、propose、improve还是analyze。如果是improve或者analyze先降一档期望因为这类标题通常是在已有框架上打补丁如果是propose且后面跟的是一个新框架或新任务就值得再往下看。接着看摘要的最后一句。几乎所有论文的摘要最后一句都在吹自己的贡献但你要看的是它声称的贡献是什么类型的是刷了一个新的SOTA数字还是提出了一个之前没人做过的问题还是把某个方法的计算量降了一个数量级。不同类型的贡献含金量排序大致是提出新问题大于降复杂度降复杂度大于刷SOTA数字。因为刷SOTA往往依赖算力和工程细节而这些很难复现。最后扫一眼图表。一篇论文的图表质量基本能反映工作质量如果图里的结构图连模块之间的数据流都画不清楚这篇论文大概率不靠谱如果实验表格里对比的baseline大多是五年前的旧方法说明作者没有和最新的工作硬碰硬审稿人在这种情况下一般不会给过。完成这一轮大约十到十五分钟一篇两百多篇里能筛出三四十篇进入候选池。2.2 第二轮候选论文的量化打分表进入候选池之后我不急着细读而是先把关键信息整理成一张表做一个量化打分。判断维度分值1-5判断依据问题重要性1-5解决的问题是否是真实痛点还是自造问题方法独特性1-5是否提出了新机制还是把旧组件换皮组合实验充分性1-5对比的baseline是否够新消融是否完整复现成本1-5代码是否开源、卡的需求量级、数据是否公开与本人方向匹配度1-5是否对我的项目有直接参考价值打分在15分以下的直接放弃15到20分存到值得关注目录20分以上的才进入精读阶段。这套打分表最大的作用是帮我抵抗这篇看起来不错先存着的冲动——以前我收藏了大量论文结果没有一篇真正读过信息囤积带来的焦虑感比收获感多得多。2.3 给刚入门的读者筛论文之前先建知识地基因为这篇汇总发出来后总有一些刚开始学计算机视觉的同学在评论里问这些都是什么所以这里多写一段给新手的话。论文筛选和精读是研究者阶段的事。如果你现在连卷积的stride和padding怎么影响输出尺寸都还不清楚看cs.CV的论文只会增加挫败感。我建议的顺序是先把知识地基打好再做论文阅读。章毓晋的《计算机视觉教程》算是一本比较成熟的中文入门书能把图像处理、特征提取、几何视觉这些基础概念讲清楚然后做一两个课程项目或大作业把检测、分割这些经典任务动手跑通一遍之后再碰论文你才会知道论文里的那些术语到底在说什么。现在网上能找到的学习资源其实很多但计算机视觉基础知识的框架性问题比如特征表达、模型容量、过拟合、评估指标这些靠碎片化阅读是补不齐的。这个阶段不要贪快地基不牢后面每篇论文都读得云里雾里反而更慢。3. 这一期我反复精读了这几篇筛选过后这期我真正精读的是几篇分别在统一感知、生成提速、长视频记忆三个切面上有代表性的论文。下面挑三篇拆开讲包括我读它们时主要关注什么、它们的核心贡献是什么、以及它们的短板在哪里。3.1 统一感知架构把多个任务塞进一个框架有一篇做统一感知的工作核心思路是把检测、分割、姿态估计统一到一个框架里但和之前一些强行在输出端做多个head的方案不同它的重点在query的设计上。这篇把query拆成了两类一类是全局共享query用来编码跨任务通用的信息比如物体是什么、在什么地方另一类是任务专属query负责输出任务特定的结果比如检测框的坐标、分割的mask、关键点的位置。两层query之间通过跨注意力交互让任务专属query可以从共享query中获取通用特征但又不会互相干扰。这个方法有什么好处共享query在训练过程中会学到通用的视觉常识所以当数据量不够时多个任务可以互相借力。比如分割数据比较少但因为检测数据量很大共享query已经从检测任务里学到了高质量的物体边界信息分割任务可以直接受益。这种隐式的迁移学习是它能够在各任务上都取得不错效果的主要原因。但这篇的问题也很明显训练稳定性和超参敏感度都比较高任务采样比例、loss权重、共享query的数量都需要精细调参。论文里只说在8卡A100上训练了若干天真正复现过你就会发现中间任何一个环节不对结果可能直接崩掉。这类工作在方法上有参考价值但要直接拿来用还需要做不少工程适配。3.2 生成模型的步数压缩蒸馏加对抗双管齐下图像生成方向这一期有个热点是如何把采样步数进一步压缩。扩散模型的推理速度一直是落地痛点过去需要几十步甚至上百步去噪现在大家都在往个位数的步数上压。我细读的这篇采用了两条腿走路的策略先用一致性蒸馏把学生模型引导到一个少步数收敛的方向上再用对抗训练来修复蒸馏过程中丢失的高频细节。一致性蒸馏负责保证生成过程的稳定性对抗训练负责提升单步生成的真实感。两者结合的思路不新鲜但它的关键在于训练过程的退火策略——前期对抗损失的比重高一些让模型快速学会生成有辨识度的纹理后期逐步降低对抗损失让一致性蒸馏的稳定性接管训练避免训练后期出现模式坍缩。从实验效果看在保证FID不出现明显退化的情况下把采样步数压到了4到8步生成质量肉眼几乎看不出差异。这里面有个很实际的问题值得注意对比实验里它和同样步数的其他加速方法对比时指标确实是领先的但生成速度还受限于text encoder和VAE解码的开销。有些人只看采样步数就得出结论实际上真实的端到端耗时并没有少太多。做工程评估时要看端到端的吞吐而不是只看论文里的某一个数字。3.3 分钟级视频理解用持续更新的记忆token这篇是我这期读得最慢的一篇也是觉得最有启发的。它的目标是让模型理解长视频输入时长接近十分钟。方案的核心是把整个视频切成了很多个短片段每段独立编码。但关键在片段之间设置了一个持续更新的记忆token集合。当前片段编码完成后模型会比较当前片段的信息和已有记忆token的相似度决定哪些记忆需要更新、哪些可以归档。这样长期信息会被持续压缩保留而详细帧信息会在处理完之后释放腾出计算资源给后续片段。这个设计的精妙之处在于它绕开了直接把长视频一次性送进Transformer的显存瓶颈也没有采用简单的均匀采样——均匀采样会丢失关键细节而这个方案能够自动保留那些和已看内容不一致的新信息。比如视频里大部分时间是静态的办公室场景突然有人走进来这个变化就会被重点保留。局限也很明显对记忆token数量的设置很敏感数量太少保不住关键信息数量太多计算量又上去了。而且这种记忆机制目前还没有一个公认的评测标准来验证模型到底记住的是不是关键信息。不过整体来看这个方向对长视频理解类应用的影响会越来越明显。4. 从论文到复现我踩过最深的几个坑读论文不是终点能把方法复现出来才算真正掌握。我过去两年时间里复现过的论文不算多但踩过的坑很有代表性在这里集中说一下。4.1 数据管线不一致指标虚高的重灾区很多论文官方代码给出的效果和论文里表格对不上最常见的原因不在模型本身而在数据管线。我遇到过的情况包括有的代码在预处理时使用了额外的数据增强但论文里没有写有的代码在加载数据集时混入了训练集的统计信息做归一化实际上泄露了数据还有的在测试时使用了TTA测试时增强但论文的评估设置里并没有说明。这种问题排查起来非常慢因为模型的结构、损失函数看起来都对但指标就是达不到。我的经验是复现的第一步永远先跑通数据管线单独对比送入网络的样本长什么样。比如训练集读取第一张图确认通道顺序、归一化范围、尺寸、翻转策略和论文的描述逐一核对。数据管线如果和论文对不上后续所有努力都是白费。另一个实操建议是先看loss曲线的形态而不是紧盯最终指标。loss曲线可以反映模型的收敛趋势、是否发生梯度爆炸、学习率是否合适。如果loss曲线的形态和论文给出的趋势不一致说明某个环节的理解是有偏差的这时候先不要盲目继续跑。等loss曲线复现了再追求最终指标。4.2 学习率热启动与EMA论文里经常不写很多论文写着使用cosine学习率调度听起来很简单但真实的设置通常还包括warmup步数、batch size、梯度裁剪、EMA衰减系数、是否冻结backbone的前几层等等。这些细节有很大一部分只在代码仓库里不在论文正文里。论文的正文因为篇幅限制只会写最关键的设置。但一般对于复现结果影响最大的往往是那些没写在正文里的部分。我踩过最典型的坑是一篇论文在正文里只说了batch size是64但是它的代码里用了梯度累积实际等效batch size是256。直接按64跑模型的精度差一大截后来翻代码才发现这个细节。提供一个我目前比较通用的基线训练配置读者在复现大部分视觉模型时可以参考优化器AdamWbetas(0.9, 0.999)weight_decay0.05基础学习率batch size 256时用1e-3按线性缩放规则调整warmup总训练步数的5%使用线性热启动调度cosine退火到初始学习率的1/100EMAdecay0.9999在验证阶段使用EMA权重梯度裁剪max_grad_norm1.0这个配置不一定和原论文完全一致但它是一个比较稳的起点。在这个基础上做微调比在未知的配置上做大幅改动容易收敛得多。4.3 评估指标的口径游戏最后要说的是评估环节的坑。目标检测的mAP不同实现之间IoU阈值、NMS的阈值和类型、单尺度测试还是多尺度测试、甚至是否使用了soft-NMS都会对最终的分数产生明显影响。分割任务也一样mIoU的计算是否包含背景类、是否做了形态学后处理结果都会不一样。所以对比实验时最稳妥的做法是把baseline的评估代码整个拉下来在自己的数据上重新跑一遍baseline而不是直接引用论文里报告的数字。每篇论文用的评估环境和细节不完全相同直接拿论文数字当baseline你的对比结论很可能站不住脚。在向别人呈现自己的实验结果时我也建议你在实验表格下面注明评估设置输入分辨率、测试尺度、后处理参数、是否使用TTA。这不仅是学术规范也是对自己的保护——至少别人复现不出来的时候你有据可查。5. 长期跟踪论文我搭建的一套不算复杂的管理系统刷arxiv论文这件事最难的不是某一次看懂一篇而是持续跟住几个方向不遗漏重要的进展也不被信息洪流淹没。下面这套系统我用了将近两年整体的性价比我觉得很高。5.1 用RSS订阅替代手动刷网页arxiv官方为每个分类都提供了atom订阅源把cs.CV这个分类的订阅链接加到AnyBox这类RSS阅读器里每天定时拉取即可。方式很简单但能节省大量反复刷新网页的时间。为了提高效率我在RSS阅读器里设了一个过滤规则标题里出现目标检测、多模态、视频理解、扩散模型这些我想要的关键词时自动打上高亮标签标题里出现无法理解的任务缩写、和我的方向完全无关的关键词时自动折叠。实测而言用RSS拉取arxiv的效率比直接打开网页看要高不少而且不会受推荐算法的干扰看到的永远是当日最原始、完整的更新列表这一点非常重要——论文筛选的主动权必须在自己手里。5.2 一周一次空桌子复盘不管当天多想立刻精读我都不建议当天做这件事。arxiv每天更新的量太杂当天的精读判断容易带着瞬时情绪但拖太久又会遗忘。我给自己定了一个规矩每周固定半天清空桌面拿出一整块时间集中处理这一周积攒的待读论文。这一轮只做三件事快速扫摘要把候选池里的论文按之前的打分表重新打分把20分以上的论文下载到本地把进入精读名单的论文分给当天的空闲时间。这样做的好处是每周都是同样的节奏长期执行不会累也不容易漏掉重要的文章。我认真跟踪几个方向的论文基本就是用这种固定的节奏完成的。5.3 论文笔记的模块化写法读论文的时候做的笔记最重要的不是摘抄而是建立结构。我用的是一张卡片式的模板一般包含以下几个模块字段内容一句话总结这篇论文做了什么不超过50字核心问题它解决了什么问题这个问题为什么重要方法逻辑大致的方法流用三到四句话讲清楚关键实验哪些实验验证了方法的核心贡献与我相关和我的项目有什么交叉点能否借鉴或对比局限与风险方法的短板复现时可能遇到的坑每篇笔记不超过一页。这个约束能逼着自己在读完后提炼本质而不是抄一堆公式。我还会在笔记之间做链接比如把某个检测论文里query的解耦思路和某篇多任务工作的query设计关联起来这种跨论文的连接往往能产生自己的研究灵感。长期积累下来这套笔记系统会变成自己的私有知识库比任何公开的论文列表都好用因为它是真正按照你自己的思维习惯组织的。做论文汇总这件事做了几年下来我的一个明显感受是真正重要的不是读了多少篇而是建立了什么样的判断标准。信息永远读不完但你只要有了筛选逻辑、精读方法和知识沉淀系统面对任何一期更新都能很快找到对你有价值的东西。这个能力是比任何一篇具体的论文都更值得积累的。