每天早起先刷一遍 arXiv 的 CV 分类，已经成了我这几年改不掉的习惯。2026 年这个节点上，CV 领域的论文量早就不是十年前那种"一天几篇"的节奏了，每天固定滚动几百篇新投稿，再加交叉投稿，根本看不完。正因为量大，才更需要一套稳定的筛选和阅读流程。这篇文章就把我日常跟踪 ArXiv CV 新论文的完整流程写出来，包括怎么筛、怎么精读、怎么做笔记、怎么落到代码验证，以及这套"每日更新"的习惯是怎么坚持下来的。不管你是刚入门的研究生，还是在工业界做算法落地的人，这套流程都能直接抄作业。
1. 为什么坚持每天刷 arXiv CV
1.1 论文量级到底有多大
很多人对 arXiv 的体量没有直观概念。这么说吧，CV 相关的分类（cs.CV 为主，加上 cs.LG、cs.AI 交叉）淡季一天大约 200 到 300 篇，重大会议投稿截止前后，一天冲到 500 篇以上很常见。按全年算下来，光 cs.CV 一个分类，一年就是几万篇的量级。对比一下，一个顶会一年接收的论文也就千把篇，也就是说，arXiv 上 90% 以上的内容你注定永远不会细看，但那 10% 里才藏着真正值得花时间的东西。
这个量级决定了，任何"把每天的新论文都读完"的想法都是不现实的。你要解决的其实不是"读"，而是"决策"——在最短时间内判断一篇论文值不值得进入你的精读队列。我见过太多人倒在第一步：每天早上收藏十几篇，晚上打开发现都在"待读"列表里躺着，一周之后彻底放弃。所以整套流程的核心不是阅读术，而是筛选术。
1.2 每天更新的实际价值
坚持每日更新的第一层价值是时效性。CV 这个领域的迭代速度非常快，一个 idea 从 arXiv 挂出来到被复现、被改进、被用到业务里，周期可能就一两个月。你晚看一周，等别人已经基于它发了改进版，你再追就变成"跟风"而不是"领先"。很多团队的新方向其实就是从某一天早上那篇 arXiv 论文开始的，这种机会恰恰只留给每天都看的人。
第二层价值是积累判断力。看论文和看新闻一样，看得多了才会形成"这玩意到底行不行"的直觉。同一个方向，今天有人用 Transformer 做，明天有人用 Mamba 做，后天又有人用稀疏注意力做；天天追踪这些趋势变化，你才能知道哪些是真风口、哪些只是换个名词刷刷存在感。这种判断力没法速成，只能靠每天一点一点磨出来。
第三层价值很多人忽略：坚持输出分享，等于逼自己做二次思考。我把每天筛选出来的论文整理成固定格式的分享，写摘要、写亮点、写可复现性评估，这个过程本身就是一次"费曼式"学习。看得懂的能讲清楚，看不懂的正好暴露盲区。所以这个习惯坚持下去，收获的不只是信息，而是完整的知识体系。
2. 筛选机制：从几百篇到三篇
2.1 先圈定自己的"领域雷达"
筛选的前提是你得知道自己要什么。我建议每个人给自己画一个"领域雷达"，就是 2 到 4 个长期追踪的子方向。比如我自己，主雷达是 2D 视觉感知（检测、分割、姿态估计），副雷达是高效模型压缩和边缘部署，偶尔扫一眼生成模型。这个雷达决定了你的筛选范围，也决定了你的关键词表。
为什么不能把所有 CV 方向都纳入视野？因为人的注意力带宽有限，面面俱到等于面面不深入。领域雷达的价值是帮你建立一个"默认不看"的清单，看到某个方向的论文时，哪怕标题再亮眼，只要不属于雷达内，直接跳过或者只留一条链接，不打开正文。这样做一开始会很别扭，总怕错过什么，但坚持一个月后你会明显感觉到，真正对你有用的信息反而更聚焦了。
雷达也不是一成不变的，建议每季度重新审视一次。比如我去年把"3D 场景理解"纳入了雷达，因为实际项目里越来越多地碰到相关需求；今年可能会把"视频理解"提进来。方向跟着工作和兴趣走，但任何时候保持 3 到 4 个是上限。
2.2 三路并行：关键词、作者、机构
确定雷达后，每天筛论文就是三路并行的活儿。第一路是关键词命中。以我的检测方向为例，核心词表包括 object detection、instance segmentation、YOLO、DETR、NMS、anchor-free 这些。注意关键词要分两层：硬关键词（比如直接出现在标题里的）和软关键词（出现在摘要里、但标题没体现的）。硬关键词直接过滤标题，软关键词需要扫一眼摘要里有没有。
第二路是作者追踪。CV 领域很多工作是有延续性的，一个团队某个方向发了第一篇，后续八成会有改进版或者应用版。我会在收藏夹里维护一份"重点关注作者"名单，大概 20 到 30 人，每天在列表里搜索他们的新作。很多人只盯论文不盯人，会漏掉同一套工作在不同阶段的完整脉络，这是很可惜的。
第三路是机构和小团体。这个不是看门第，而是因为很多工业实验室（比如各个大厂的视觉团队）发论文有集群效应，某个时间段会集中放出同一主题的多篇论文，往往意味着内部在某个方向上有系统性布局。把这些机构的投稿刷出来放在一起看，能看到比单篇论文更完整的技术路线图。
2.3 工具组合拳，把筛选自动化
每天手动打开网页刷几百条投稿，效率太低。我现在的流程是三层工具组合。
第一层是 arXiv 官方的邮件订阅，按照分类和关键词订阅后，每天早上定时收到列表。不过官方订阅的问题是没有排序，几百条一股脑塞过来，体验一般。第二层是 arXiv-sanity 这类第三方工具，可以根据收藏和点赞行为做推荐排序，把"和我之前感兴趣的内容相似"的论文顶到前面。第三层是 RSS 加上我自己的过滤脚本，脚本按关键词表和作者表做一次预筛，把命中率最高的前 20 到 30 篇输出成一个精简清单，我再人工过一遍。
这里有一个很关键的实践经验：不要追求"全自动"。AI 过滤可以做粗筛，但最终的精筛决策必须靠人。工具帮你把几百篇压到二三十篇，剩下的几分钟人工扫读是不可替代的，因为只有你知道自己当前正在做的具体问题是什么、缺什么、什么才是真正"有用"的。我试过完全自动化的方案，结果就是推荐出来的论文越来越同质化，视野反而变窄了。
3. 精读一篇论文的完整拆解流程
3.1 摘要、图表快速三关
筛选之后，真正值得精读的论文每天大概两到三篇。我的精读流程分为三个阶段，第一阶段是"三关过滤"：第一关是摘要，判断工作解决了什么问题、方法是什么、效果如何；第二关是图表，看框架图和结果对比表；第三关是结论段落，看作者自己是怎么总结贡献的。
这三关各有用意。摘要告诉你这篇论文"想干什么"，但如果只靠摘要，你很容易被作者的话术带偏，所以必须看图表里的实际数字。框架图能快速透露方法的核心思想，是有监督还是自监督、是单阶段还是两阶段、有没有引入额外模块。结果表则直接暴露了论文的真实水平：对比的 baseline 全不全、提升幅度是真提升还是小数点后的巧合、有没有挑对自己有利的指标。
三关之后，我对一篇论文的初步判断通常是三类之一：值得全文精读、只需要记录要点、直接略过。这个判断十分钟内完成，效率很高。很多人精读失败是因为一开始就逐字逐句从头读，读到方法细节才发现这工作跟自己没关系，白白浪费一小时。
3.2 方法部分的推导笔记怎么做
过了三关的论文，方法部分才是真正的重头戏。我读方法部分有一个习惯：从头到尾推导一遍公式，而不是只看结论。很多视觉论文的公式并不复杂，但作者经常省略中间步骤，你要在笔记里把省略的部分补全。这一步看着笨，实际上是在帮你确认自己有没有真正理解这个方法在实际计算中怎么运作。
笔记我强烈建议用"自己的话重写"而不是摘抄原文。具体格式是三段式：核心思想（一两句话概括）、关键设计（模块或损失函数拆成清单）、我自己的疑问和评价。这里有个细节：疑问和评价这部分一定要写，哪怕只是一句"为什么这里不用 GroupNorm""这个 warmup 是不是太长了"，因为疑问会驱动你去找答案，找答案的过程往往比读论文本身更有收获。
另一个实用的做法是给每篇精读论文标注一个"可复现等级"：A 级是代码开源、环境友好、可直接跑；B 级是代码有但依赖重或文档不全；C 级是只有部分代码或者只有伪代码。这个标记会直接影响后面第四部分的代码验证策略，也方便回查。
3.3 实验部分的门道
实验部分是 CV 论文里信息密度最高的地方，也是最容易看出水分的地方。我总结了几条看实验的实践经验。
第一条是看 baseline 是否公平。有些论文只跟两年前的旧方法比，明显没跟上同期的 SOTA，这种提升数字再好看也要打折。第二条是看消融实验是否完整。真正扎实的工作会把每个模块的作用都拆出来，说明"每个设计都有用"。如果一篇论文只有一个整体结果表，没有任何消融，那你要警惕方法里的每个组件是否真的都有必要。第三条是看可视化结果里的边缘情况，很多论文乐于展示最成功的例子，你要主动去看失败案例，那才是真实水平的反映。
多说一句，实验数字的复现性其实很差。同一份代码、同一个模型，在不同机器上跑出来的 mAP 差个零点几个点是常态。所以看实验表时要关注的是趋势和量级，而不是小数点后第二位的差异。一张表里提升 0.3 个点，未必比另一个方法少用一半 FLOPs 更有价值；真正落地时，效率和稳定性往往比那零点几个点重要得多。
4. 把算法落到代码验证
4.1 验证工具链怎么选
读论文只是输入，动手验证才是把别人的工作变成自己能力的关键环节。但这里必须澄清一个概念：不是每篇论文都值得完整复现。完整复现一篇检测论文，光训练就要多少卡时？个人开发者根本扛不住。所以我说的"代码验证"有两种层次：轻量验证和深度复现。
轻量验证是拿 OpenCV 这类基础计算机视觉库直接把论文里的某个核心操作跑一遍，看看效果是不是像论文里描述的那样；深度复现则是完整跑官方仓库或者自己从零实现。对于每天追踪新论文来说，轻量验证是主力。OpenCV 这种库的好处是模块化程度高，轮子齐，图像处理、几何计算、特征提取这些都是现成的，很适合做"You 的核心设计拿出来单独测"这件事。
这也回应了为什么现在社区里大家都在提"易CV模块"——把复杂的算法拆成可独立测试的小模块，每个模块只解决一件事，测试和调试成本都大幅下降。我个人的习惯是，任何论文里的核心算法，如果能拆成 50 行以内的独立模块，我就一定拆出来跑一遍，跑通了才算"读过"这篇论文，跑不通反而能发现很多论文里没写清楚的细节。
4.2 一个典型的轻量验证案例
讲一个我最近实际用过的例子：论文里涉及一个"判断点是否在多边形内部"的几何操作，用来检查检测框的角点是否落在目标轮廓里。这种操作在姿态估计、目标跟踪、交互式分割里都会出现， OpenCV 正好提供了现成函数 cv::pointPolygonTest 可以直接测：
#include <opencv2/imgproc.hpp> #include <opencv2/core.hpp> #include <iostream> int main() { // 定义一个多边形（例如一个矩形的四个顶点） std::vector<cv::Point2f> poly; poly.push_back(cv::Point2f(50, 50)); poly.push_back(cv::Point2f(200, 50)); poly.push_back(cv::Point2f(200, 150)); poly.push_back(cv::Point2f(50, 150)); cv::Point2f inside(100, 80); // 多边形内部 cv::Point2f outside(250, 120); // 多边形外部 cv::Point2f onEdge(50, 100); // 边界上 double d1 = cv::pointPolygonTest(poly, inside, false); double d2 = cv::pointPolygonTest(poly, outside, false); double d3 = cv::pointPolygonTest(poly, onEdge, false); // measureDist = false 时：正数表示在内部，负数表示在外部，0 表示在边界 std::cout << "inside: " << d1 << " (positive, in)" << std::endl; std::cout << "outside: " << d2 << " (negative, out)" << std::endl; std::cout << "onEdge: " << d3 << " (zero, on edge)" << std::endl; // measureDist = true 时返回带符号的距离 double dist = cv::pointPolygonTest(poly, inside, true); std::cout << "distance to polygon: " << dist << std::endl; return 0; }这个函数的两个关键参数值得说清楚：第三个参数 measureDist 为 false 时，返回值只有正、负、零三种，分别表示点在多边形内、外、边界上，适合做直接的分类判断；为 true 时返回带符号的距离，正值为点到多边形边界的最短距离，负值表示点在多边形外部，这个距离值可以当置信度用，论文里说的"轮廓距离损失"之类的东西，底层往往就依赖这种带符号距离。
这种验证的意义在于，你在几分钟内就能确认论文里某个设计在真实数据上是不是靠谱，而不需要把整篇论文跑通。我经常干的事是：用 OpenCV 先把论文的几何模块、后处理模块、可视化模块单独验证，确认无误之后再决定要不要投入算力去做深度复现。很多论文死在复现环节，其实不是方法本身有问题，而是某个边界条件没处理好，这种小问题恰恰能在模块级验证时提前发现。
4.3 模块化复现的正确姿势
深度复现不是不能做，但要有正确姿势。我的建议是"按模块渐进式复现"，而不是"一把梭"式地训练完整模型。以一个检测网络为例，第一层先验证数据预处理和后处理模块，包括图片缩放、归一化、NMS 这些；第二层验证模型结构，用随机权重前向跑一遍，确认输出形状和 loss 计算正常；第三层才用小数据集、短训练周期跑一个 sanity check，确认 loss 能降、指标能动；最后才上全量数据。
每个阶段都有对应的检查清单。比如预处理阶段要确认"训练和推理时的预处理是否一致"，这个坑我踩过很多次：训练时用了随机裁剪和颜色抖动，推理时只做了 resize，结果输入分布对不上，指标直接崩了。模型结构阶段要确认" backbone 的预训练权重是否加载正确"，很多复现失败都是权重路径写错、加载时静默失败导致的。这些小问题往往要花掉复现时间的一半以上。
另外，模块化复现还有一个好处：每个模块都是可复用资产。你今天为论文 A 写的 NMS 模块，明天验证论文 B 的时候很可能还能用；这就是"易 CV 模块"思路的最大价值——代码越拆越细，你的工具箱就越来越厚。反观那些每次都从零开始复现完整仓库的人，代码永远是一次性的，能力增长非常慢。
5. 每日更新如何长期坚持
5.1 固定日程和流程
"每天更新"这种事，最怕的不是技术问题，而是坚持问题。我能提供的经验，就是把这件事变成固定日程的一部分，不要依赖"今天有空就看"这种弹性安排。我的固定在早晨，因为早上精神最集中，而且新论文大部分是北京时间凌晨到早上挂出来的，早上刷正好赶上第一波。
固定流程大概是这样的：七点半起床后先花十五分钟过一遍过滤脚本给出的精简清单，快速标记"精读、要点、略过"；有精读的再花三十分钟做笔记；最后花十分钟整理成当天的分享内容发出。全部加起来不到一小时。这里的关键是流程要固化：同样的时间、同样的工具、同样的格式，大脑会很快把这件事变成习惯，不再需要消耗意志力去启动。
我给外地朋友一个更宽松的建议：如果早上不行，就固定在午休或者通勤时间，但务必保证"每天都做"而不是"想起才做"。连续 21 天就能形成自动化的节奏，中间如果断了一两天也不用自责，补上就好，关键是整体连续性。
5.2 分享输出的双重价值
"每日更新"这件事，性质上是半学半教。我会把每天精选出的论文整理成固定格式：标题、一句话贡献、一到两个亮点、可复现性评估、一句个人点评。这个格式设计好之后，每天填写其实只花几分钟。但真正让我学到东西的，反而是"写成一句话贡献"这个过程。
你想把一篇论文浓缩成一句话，就必须抓住它的真正贡献点。很多时候你读完一篇长篇大论，发现它其实只是在某个模块上做了个小改动，或者把 A 方法套到 B 问题上——这种认知只有在你尝试高度概括的时候才会浮现。所以分享不是给读者做公益，是自己逼自己提炼信息。长期做下来，我的阅读效率和提炼能力提升非常明显。
格式稳定之后，还可以考虑把每周、每月积累的内容做一个汇总版，整理成主题式的综述或者"本月值得关注的工作"合集。这个更高阶的玩法不仅能帮自己复盘，也能让读者对你有更强的黏性。
5.3 社群协同和节奏控制
一个人坚持每日更新并不容易，我的经验是"适度协同"。最有效的协同方式是在一个固定的社群里找到两三个同方向的朋友，约定每天互相交换当天筛选出的精选论文。三个人各自的雷达略有不同，拼在一起覆盖范围就大了很多，而且互相推送的通常是经过对方大脑精筛的内容，信息质量远高于机器推荐。
这个过程要注意协作方式，不建议搞大型群里 24 小时不间断轰炸。我曾经参与过几十个人的论文分享群，结果每天刷屏几百条，信息过载反而让人放弃阅读。反而是 3 到 5 人的小群，每人每天贡献两三篇高质量内容，配合简单的讨论，体验和收获都最好。节奏上我建议宁缺毋滥：没有值得分享的论文就休息一天，不要为了更新而更新，高质量的输出比日更的仪式感重要得多。
6. 常见问题与避坑记录
6.1 找到代码却跑不起来的应对
复现论文时最崩溃的时刻，莫过于论文说"code: available"，点进去却发现仓库是空的或者 README 都还没写。我把这类代码称为"占坑式开源"，出现频率不低。遇到这种情况，我的处理流程是：先看 issue 区有没有人多问；再去 forks 列表里看看有没有人修复过环境问题；最后看 commits 历史，如果最近还在活跃更新，可以过几天再试。
另一种常见情况是代码能跑但完全依赖特定环境。比如有些仓库要求特定版本的 CUDA 和 PyTorch，你的机器环境对不上，然后只能在虚拟环境里折腾半天。我现在通用的做法是每一步依赖都记录到一个自己的环境笔记里，不同论文用不同环境跑，笔记积累多了以后，很多环境问题都能直接对号入座，不用每次从零排查。
6.2 视觉论文结果复现落差
结果复现落差是最让人头疼的事：论文说 mAP 50.3，你自己跑同样代码只有 48.1。这个问题要分情况看。一种是正常的训练随机性，视觉模型训练本身就带随机性，不同的随机种子、不同的数据加载顺序都会带来一到两个点的波动，这个范围一般可以接受。另一种是作者用了论文里没写出来的 trick，比如隐式的预训练初始化、特殊的数据增强策略、甚至额外的外部数据——这种情况你只能靠经验去猜去试。
我的建议是复现时先放低预期，以"达到论文效果的 90% 就算通过"为标准，不要跟自己死磕那零点几个点。真正的重点是确认方法的核心机制是否有效，而不是完美复刻作者的所有数字。如果时间紧任务重，优先复现一个"足够好"的版本用于业务验证，比复现一个"一模一样"的版本更有现实意义。
6.3 信息过载的防治
最后说说信息过载。每日更新的最大敌人其实不是懒惰，而是"看不过来"。我见过很多人兴冲冲开始追 arXiv，结果一周后就被论文洪流淹没了，再也提不起劲。防治信息过载有几条实操经验。
一条是严格控制精读数量，每天最多三篇，每周总计不要超过十篇。少读几篇不会让你落后，没消化地读一百篇才会。另一条是定期清理收藏夹，我每周日会把本周收藏但没读的论文做一次"断舍离"，要么进入下周精读计划，要么直接标为略过、从清单里清掉，绝不允许收藏夹无限膨胀。还有一条是给自己的"领域雷达"做减法，如果发现某段时间自己的追踪范围过宽，主动砍掉一个方向，给注意力留出余量。
我自己的体会是，做任何技术追踪类的习惯，比方法更重要的是可接受性——一套每天能稳定执行 30 分钟的简单流程，远胜过一套设计精美但需要两个小时维护的系统。每天打开 arXiv 看看新论文，粗读一遍、挑几篇精读、记录一点思考，这个动作本身就是在给自己积累行业敏感度。时间拉长到半年一年，差距就出来了。