机器学习论文每周精选怎么追ML-Papers-of-the-Week 入门【免费下载链接】AI-Papers-of-the-WeekHighlighting the top ML papers every week.项目地址: https://gitcode.com/GitHub_Trending/ml/AI-Papers-of-the-WeekML-Papers-of-the-Week 是 DAIR.AI 维护的机器学习论文每周精选仓库每周从 arXiv 等渠道挑出计算机视觉、深度学习等方向最值得读的论文整理成一张带论文链接的清单。刷 arXiv 花不完的时间交给它来筛你只需要读被留下的那几篇。下面依次说清项目在做什么、哪几篇 CV 论文值得先读以及怎么把它变成自己的每周追更入口。这个项目在做什么DAIR.AI 的团队自己读 AI 论文读不赢干脆把每周的筛选结果公开成仓库按周、按年归档。机制不复杂每周一更把当周入选的论文用编号 一句话结论 若干要点 论文链接的表格列出再往years/目录里对应年份的文件追加比如years/2025.md就收齐了 2025 全年每一周的周榜。判断一篇论文值不值得读之前你先到这里看看它有没有上榜就够了。图仓库里周榜的配图多为论文原始架构图如上例中的世界模型 DreamerV3 与扩散模型示意读机器学习论文每周精选时可直接对照原文。本期值得读的论文下面从years/2025.md里挑三篇计算机视觉方向的分别落在分割、视频生成、3D 重建三个子方向适合先建立整体感觉。SAM 3给个短语就能分割目标一句话结论给一个名词短语比如戴红帽子的人当提示它就能在图像和视频里找到并框出对应目标。它解决的问题传统分割往往要先框再填像素SAM 3 直接吃概念化提示Promptable Concept Segmentation按语义描述来定位对象靠 400 万概念标签的数据管线训练在图像与视频分割上的性能约为先前方法的两倍并随模型放开了权重。对初学者意味着什么这是把分割从框出对象推进到按语义找对象的代表读它比从零啃原始论文更容易建立对基础分割模型的直觉。STARFlow-V视频生成不必只靠扩散一句话结论Apple 用 7B 参数的归一化流normalizing flow一类能反向求解的生成模型做出了和扩散模型能打的视频生成器。它解决的问题扩散模型是当下视频生成的主流但采样步骤多、偏慢。STARFlow-V 用全局-局部架构配合视频感知的 Jacobi 迭代做并行采样能出 480p、16fps 的视频并原生支持文生视频、图生视频、视频到视频。对初学者意味着什么它是个好例子说明生成这条线上扩散并非唯一答案理解归一化流这类替代路线读视频生成论文时就不会只盯着一个框架。图提示词优化驱动图像生成的实验截图属计算机视觉方向每周精选论文的常见产出形式。SHARP一张照片拍出周边视角一句话结论一张照片、一张普通 GPU、不到一秒给出该物体的三维高斯表示3D Gaussian Splatting把场景存成大量带颜色的小球以便快速渲染就能实时渲染出附近的观看角度。它解决的问题新视角合成novel view synthesis过去要么慢要么要环拍很多张。SHARP 用一次前向推理直接出 3D 高斯表示LPIPS感知相似度指标比先前方法低 25%–34%速度快了三个数量级还带零样本泛化。对初学者意味着什么3D 重建与神经渲染里又快又好是长期痛点这篇用具体数字告诉你前馈式方法现在能做到什么程度。图由单张照片推导出周边视角的 3D 场景重建结果是计算机视觉论文里神经渲染方向的典型展示。3 步把项目用起来克隆到本地git clone https://gitcode.com/GitHub_Trending/ml/ML-Papers-of-the-Week按周定位打开years/2026.md最新或years/2025.md文件顶部就是最新一周的十篇论文表格往下翻即往更早的周SUMMARY.md则给出整个仓库的目录总览。用数据视图核对research/ml-potw-10232023.csv把历史精选汇总成一张表方便你自己加筛选pics/里存着各周论文的原始配图读论文时对照着看更直观。下一步读什么追最新每周固定看years/2026.md顶部新增的那一周把入选的视觉论文记进自己的清单读得动就展开读原文。顺藤摸瓜从 SAM 3 往下追概念分割从 STARFlow-V 往下追归一化流与视频生成从 SHARP 往下追 3D 高斯表示一个子方向读透再换。自己做索引把research/ml-potw-10232023.csv复制到本地加是否已读 / 领域标签两列几周后就会有一份专属于你的计算机视觉论文台账。每周十分钟把别人筛好的论文读进自己的库里比刷一整天的信息流更划算。【免费下载链接】AI-Papers-of-the-WeekHighlighting the top ML papers every week.项目地址: https://gitcode.com/GitHub_Trending/ml/AI-Papers-of-the-Week创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
