1. 为什么学术速递这件事值得单独拿出来做做计算机视觉这行的人几乎都有一个共同的痛点论文太多时间太少。arXiv上每天新增的CV方向预印本少则几十篇多则上百篇顶会放榜前后更是井喷。你如果不在学术圈全职做研究白天要写业务代码、调模型、跑实验晚上回家再刷一遍论文列表基本等于给自己判了信息过载的刑。我自己在工业界做视觉算法落地同时保持对前沿的跟踪摸索了很长一段时间才找到一个可持续的节奏。核心思路很简单不追求读完所有论文而是建立一套速递机制用最小的信息摄入量换取对领域动向的准确感知。这篇内容就是把这套机制完整拆开讲清楚——它解决的是如何在有限时间内高效筛选、理解、归档CV领域新论文这个问题适合所有需要跟踪计算机视觉前沿但又不是全职科研的工程师、研究生和独立开发者。所谓学术速递本质上是一个信息过滤与摘要系统。它包含三个环节抓取从哪里获取新论文、筛选哪些值得看、消化怎么看、看完怎么存。这三个环节每一个都有讲究做得好能把你每天花在论文上的时间从两小时压缩到二十分钟而且信息质量不降反升。下面我按这三个环节逐一展开中间会穿插我自己踩过的坑和总结出来的具体操作方法。2. 论文抓取信息源的选择与自动化拉取2.1 主流信息源的特性对比很多人一上来就盯着arXiv这没错但只盯arXiv会漏掉不少东西。不同的信息源有不同的覆盖范围和时效特点我整理了一个对比表信息源覆盖范围更新时效是否含同行评审适合场景arXiv cs.CV预印本覆盖最全每日更新否日常跟踪主力顶会开放获取CVPR/ICCV/ECCV等会议周期是阶段性深度阅读期刊早期访问TPAMI/TIP等录用后即上线是已录用追高质量长文学术社交平台研究者动态实时混合发现热点方向实验室主页特定团队成果不定期混合跟踪特定团队我的建议是以arXiv cs.CV为主干顶会开放获取为补充学术社交平台作为热点发现的辅助。期刊早期访问可以每周扫一次不需要每天看。为什么这么配比因为arXiv的时效性无可替代一篇论文从挂出来到你看到可能只隔几个小时这对把握领域最新动向至关重要。但arXiv的问题是没有同行评审质量参差不齐所以需要顶会和期刊来校准你的判断标准。学术社交平台的价值在于你能看到某个方向突然有很多人在讨论这往往预示着一个小热点正在形成。2.2 用脚本自动拉取当日新论文手动刷网页效率太低我习惯用脚本自动拉取。arXiv提供了官方的API接口可以按分类、日期、关键词来查询。下面是一个我常用的Python脚本框架import urllib.request import xml.etree.ElementTree as ET from datetime import datetime, timedelta def fetch_arxiv_cv(max_results100): base_url http://export.arxiv.org/api/query? query cat:cs.CV sort_by submittedDate sort_order descending url (f{base_url}search_query{query} fsortBy{sort_by}sortOrder{sort_order} fmax_results{max_results}) with urllib.request.urlopen(url) as response: data response.read() root ET.fromstring(data) ns {atom: http://www.w3.org/2005/Atom} papers [] for entry in root.findall(atom:entry, ns): title entry.find(atom:title, ns).text.strip().replace(\n, ) summary entry.find(atom:summary, ns).text.strip().replace(\n, ) published entry.find(atom:published, ns).text link entry.find(atom:id, ns).text authors [a.find(atom:name, ns).text for a in entry.findall(atom:author, ns)] papers.append({ title: title, summary: summary, published: published, link: link, authors: authors[:3] }) return papers这个脚本拉回来的是原始数据包含标题、摘要、作者、发布时间和链接。注意几个细节max_results不要设太大100条足够覆盖当天的新论文sortBy用submittedDate保证按时间排序作者只取前三名就够了速递阶段不需要完整作者列表。提示arXiv API有访问频率限制建议两次请求之间间隔3秒以上。如果你要拉多个分类最好加一个time.sleep(3)。2.3 拉回来之后先做去重和分类拉回来的数据不能直接用得先做两步清洗。第一步是去重因为同一篇论文可能因为版本更新v1、v2出现多次按标题去重即可。第二步是按主题粗分类这个可以用关键词匹配来做比如标题或摘要里出现detection归到检测segmentation归到分割diffusion归到生成模型等等。我自己的分类规则是这样的检测与定位detection, localization, bounding box, anchor分割与密集预测segmentation, dense prediction, pixel-wise生成与合成diffusion, GAN, generation, synthesis三维视觉3D, point cloud, NeRF, depth estimation多模态vision-language, CLIP, multimodal, VQA视频理解video, temporal, tracking, action recognition模型效率efficient, pruning, quantization, distillation自监督与表征self-supervised, contrastive, representation这个分类不需要很精确目的是让你在速递时能快速定位到自己关心的方向。一篇论文可能同时命中多个类别那就都打上标签后面筛选时按标签过滤就行。3. 筛选机制从上百篇里挑出值得读的十篇3.1 三层过滤漏斗的设计逻辑抓取环节解决的是信息从哪来筛选环节解决的是哪些值得看。我设计了一个三层漏斗每层过滤掉一部分最终留下10篇左右进入精读队列。第一层标题过滤。这一步最快扫一眼标题就能判断是否相关。比如你做自动驾驶感知那标题里出现pedestrian detectionlane detectionBEV perception的就留下出现medical image segmentation的就直接跳过。这一层能过滤掉60%到70%的论文。第二层摘要速读。剩下的三四十篇快速读摘要。读摘要时重点看三个东西解决了什么问题、用了什么方法、达到了什么效果。如果这三个要素里有一个特别吸引你就进入下一层。这一层再过滤掉一半左右。第三层方法直觉判断。剩下十五到二十篇你需要快速判断方法本身是否有新意。这一步不需要读全文看摘要里的方法描述和关键图就够了。如果方法是你已经熟悉的套路比如又是把Transformer换个位置优先级降低如果是你没见过的新思路优先级提高。三层过滤下来每天精读10篇左右是一个比较合理的量。周末可以集中读一些长文和顶会论文工作日就靠速递维持感知。3.2 怎么快速判断一篇论文值不值得精读这里分享几个我总结的快速判断信号值得精读的信号标题里出现了你没想到的组合方式比如用扩散模型做深度估计摘要里提到了新的数据集或新的评测基准方法部分引入了其他领域的成熟工具比如把NLP里的某个机制搬到视觉实验部分在多个标准基准上都取得了明显提升可以跳过的信号标题是A B C式的模块堆叠没有核心创新点摘要里全是we propose a novel framework但没说novel在哪只在单个数据集上做了实验没有跨数据集验证提升幅度在1%以内且没有理论分析注意这些信号只是辅助判断不是绝对标准。有些论文标题看起来很普通但方法确实扎实这种就需要靠摘要速读来发现。3.3 建立你自己的关键词白名单和黑名单每个人的研究方向不同筛选标准也应该个性化。我建议你维护两个列表白名单你核心关注的关键词比如open-vocabularyzero-shotBEVoccupancy等。命中白名单的论文自动进入第二层。黑名单你明确不关心的方向比如你做自然图像那medicalremote sensingindustrial inspection就可以放进黑名单直接在第一层过滤掉。这两个列表需要定期更新大概每个月回顾一次。因为领域热点在变你的关注点也可能在变。我自己的白名单从两年前的anchor-freetransformer已经更新到了现在的diffusion policy3D gaussian splatting。4. 消化方法二十分钟读完一篇论文的实操流程4.1 三遍阅读法的精简版学术界有个著名的三遍阅读法但那个方法适合精读单篇论文不适合速递场景。我把它精简成了一个适合速递的版本每篇论文控制在二十分钟以内。第一遍3分钟读标题、摘要、引言最后一段、所有图表标题。这一遍的目的是搞清楚这篇论文做了什么、为什么做、效果如何。引言最后一段通常会总结贡献点图表标题能让你快速了解方法框架和实验结果。第二遍10分钟读方法部分的核心段落和实验部分的主表。方法部分不需要逐字读重点看框架图和关键公式。实验部分重点看主表也就是在标准基准上的对比结果。消融实验可以快速扫一眼了解哪些模块是关键的。第三遍7分钟读结论和局限性讨论然后用自己的话写三句话总结。这三句话分别是这篇论文解决了什么问题、用了什么方法、效果怎么样。写不出来说明你没读懂需要回头补看。4.2 做笔记的正确姿势速递阶段的笔记不需要很详细但必须结构化。我用的是一个固定的模板标题 方向标签 核心问题 核心方法 关键结果 我的评价值得跟进 / 了解一下即可 / 可以跳过 关联论文如果让我想起某篇已知论文记下来这个模板的好处是三个月后你回头看笔记能快速回忆起这篇论文的要点。特别是关联论文这一栏积累多了之后你会发现领域内的论文其实是一张网很多工作之间有继承和竞争关系。我用的笔记工具是纯文本的Markdown文件按月份分文件夹存放。为什么不用的笔记软件因为纯文本最灵活可以用grep搜索可以版本控制不依赖任何特定平台。每天一个文件文件名就是日期比如2024-06-22.md。4.3 每周做一次主题聚类每天速递是点的积累每周需要做一次面的整理。我习惯在周末花半小时把这一周读过的论文按主题聚类看看哪些方向在集中发力。具体做法是把一周的笔记文件合并按方向标签分组然后每个方向写一段话总结这一周的进展。比如本周扩散模型在深度估计方向有三篇论文分别从不同角度改进了条件注入方式说明这个方向正在快速迭代。这个聚类动作看起来简单但价值很大。它能帮你从零散的论文中看出趋势而趋势往往比单篇论文更重要。我很多项目里的技术选型灵感都来自于这种每周聚类时的观察。5. 工具链搭建让速递流程半自动化5.1 从抓取到笔记的完整流水线前面讲的抓取、筛选、消化三个环节如果全靠手动操作每天至少要花一个小时。我花了一些时间把能自动化的部分都自动化了现在整个流程大概只需要二十分钟。流水线的结构是这样的定时抓取每天早上8点自动运行抓取脚本把当天新论文存入本地JSON文件。自动分类打标脚本根据关键词规则自动给论文打上方向标签。生成速递清单脚本输出一个Markdown格式的清单按方向分组每篇论文显示标题、作者、摘要前200字。人工筛选我在清单上快速浏览标记出要精读的论文。精读做笔记对标记的论文按三遍阅读法处理填写笔记模板。每周聚类周末运行一个聚类脚本把一周笔记按标签汇总。其中第1到第3步是完全自动的第4到第6步需要人工参与但因为有清单和模板效率很高。5.2 自动生成速递清单的脚本实现在抓取脚本的基础上加一个生成清单的函数def generate_digest(papers, date_str): categories { 检测与定位: [detection, localization, bounding box], 分割与密集预测: [segmentation, dense prediction], 生成与合成: [diffusion, generation, synthesis], 三维视觉: [3D, point cloud, NeRF, depth], 多模态: [vision-language, CLIP, multimodal], 视频理解: [video, temporal, tracking], 模型效率: [efficient, pruning, quantization], 自监督: [self-supervised, contrastive] } grouped {cat: [] for cat in categories} grouped[其他] [] for paper in papers: text (paper[title] paper[summary]).lower() matched False for cat, keywords in categories.items(): if any(kw.lower() in text for kw in keywords): grouped[cat].append(paper) matched True if not matched: grouped[其他].append(paper) lines [f# CV学术速递 {date_str}\n] for cat, items in grouped.items(): if not items: continue lines.append(f\n## {cat}{len(items)}篇\n) for p in items: lines.append(f### {p[title]}) lines.append(f- 作者{, .join(p[authors])}) lines.append(f- 链接{p[link]}) lines.append(f- 摘要{p[summary][:200]}...\n) return \n.join(lines)这个脚本输出的Markdown文件可以直接在编辑器里预览阅读体验比在网页上刷arXiv好很多。而且因为是本地文件你可以随意添加标记和批注。5.3 用cron做定时任务如果你用的是Linux或macOS可以用cron来做定时任务。在终端输入crontab -e添加一行0 8 * * * /usr/bin/python3 /path/to/fetch_and_digest.py /path/to/log.txt 21这行配置的意思是每天早上8点运行脚本输出重定向到日志文件。Windows用户可以用任务计划程序来实现类似效果。提示脚本里记得处理好异常比如网络请求失败时要有重试机制否则某天网络波动就会导致当天没有速递清单。6. 速递之外的补充怎么把碎片信息串成体系6.1 定期回顾顶会论文的重要性日常速递跟踪的是增量但领域内的存量同样重要。顶会论文CVPR、ICCV、ECCV等代表了过去一年内经过同行评审的高质量工作是构建知识体系的基础。我的做法是日常速递保持对arXiv的跟踪每季度花一个周末集中回顾最近一届顶会的论文。回顾时不需要读所有论文而是按方向挑选每个方向的代表性工作重点读方法部分和实验部分。顶会论文和arXiv预印本的区别在于顶会论文通常经过了多轮修改方法更成熟实验更充分写作也更规范。读顶会论文能帮你建立什么是好工作的判断标准这个标准反过来会提升你日常速递时的筛选准确率。6.2 建立个人论文库的索引方法读过的论文如果只是躺在笔记文件里时间长了就找不到了。我建议建立一个简单的索引系统我用的是一个CSV文件每行记录一篇论文的元信息字段说明日期速递日期标题论文标题方向主方向标签关键词3-5个关键词评分1-5分我的主观评价笔记路径对应笔记文件的路径这个索引文件可以用任何表格软件打开也可以写脚本做统计分析。比如你可以统计每个月各方向的论文数量变化看看哪个方向在升温。我自己就通过这个索引发现过去半年3D高斯相关的论文数量增长了近三倍这直接影响了我在项目里的技术预研方向。6.3 从速递到实践的转化路径速递的最终目的不是知道而是用到。我给自己定了一个规则每读十篇论文至少要尝试复现或借鉴其中一篇的方法。这个比例不高但能保证速递不流于表面。转化的方式有几种一是在自己的项目里尝试论文中的某个模块比如把新的注意力机制替换进去做对比实验二是用论文中的思路解决手头的实际问题比如用扩散模型的思路来做数据增强三是把论文中的评测方法引入自己的实验流程提升实验的规范性。我印象比较深的一次转化是在读了一篇关于用对比学习做特征预训练的论文后把它用在了我们一个数据标注量很少的项目上效果比从头训练好了不少。这种从速递到落地的闭环才是跟踪前沿的真正价值。7. 几个容易踩的坑和我的应对经验7.1 信息焦虑不是读得越多越好刚开始做速递时我恨不得把每天所有论文都读一遍结果就是每天花两三个小时读完之后脑子一团浆糊什么也没记住。后来我才想明白速递的目标是感知而不是掌握。你不需要知道每篇论文的细节只需要知道这个方向有人在做什么就够了。现在我的原则是每天精读不超过10篇速览不超过30篇剩下的直接跳过。跳过的论文如果真的很重要它会在后续的速递里反复出现比如被其他论文引用、在社交平台上被讨论到时候再回头看也不迟。7.2 只读不写笔记是速递的灵魂我见过很多人做速递就是刷一遍标题和摘要然后就没有然后了。这种速递等于没做因为一周之后你什么都记不住。笔记是速递的灵魂哪怕只写三句话也比不写强。我的笔记模板前面已经给了核心就是核心问题、核心方法、关键结果这三要素。写这三句话的过程其实就是强迫自己理解论文的过程。如果写不出来说明你根本没读懂需要回头补看。7.3 追新弃旧经典论文不能丢速递容易让人陷入追新的陷阱每天都在看最新论文但领域内的经典工作反而没读过。这是本末倒置。经典论文是理解新论文的基础没有这个基础你很难判断一篇新论文到底有没有真正的创新。我的做法是速递归速递经典论文的阅读单独安排时间。每个月至少精读一篇领域内的经典论文比如检测方向的Faster R-CNN、分割方向的U-Net、生成方向的DDPM等把基础打牢。这样在看新论文时你能更快地定位它的贡献和局限。7.4 工具依赖别让工具成为负担自动化工具能提升效率但也容易让人陷入工具折腾的陷阱。我见过有人花大量时间优化抓取脚本、搭建笔记系统结果真正读论文的时间反而少了。工具是手段不是目的。如果你的脚本已经能跑通基本流程就不要再去折腾那些花哨的功能了。我自己的工具链其实很朴素一个Python脚本负责抓取和生成清单一个Markdown文件夹负责存笔记一个CSV文件负责做索引。没有数据库没有Web界面没有复杂的依赖。够用就好。8. 不同阶段的速递策略调整8.1 入门阶段广度优先如果你刚进入计算机视觉领域速递策略应该是广度优先。这个阶段你的目标是建立对领域全貌的认知所以不要局限于某个方向各个方向的论文都要看。具体做法是每天速览所有方向的论文标题和摘要精读时选择不同方向的代表性工作。这个阶段可能会比较累因为很多概念你都不熟悉但这是建立知识地图的必经之路。大概持续三到六个月你就能对CV的主要方向有一个基本的把握。8.2 深耕阶段深度优先当你有了基本的知识地图之后速递策略应该转向深度优先。这个阶段你的目标是成为某个方向的专家所以速递范围要收窄集中在你选定的方向上。具体做法是白名单只保留你核心方向的关键词黑名单扩大到你明确不关心的方向。精读时不仅读方法还要读实验细节、消融分析、局限性讨论。这个阶段你可能会发现同一个方向上的论文其实在解决一系列相关的问题它们之间有着清晰的演进脉络。8.3 交叉阶段寻找方向间的连接当你在一个方向深耕一段时间后可以进入交叉阶段。这个阶段你的目标是寻找不同方向之间的连接点因为很多创新就发生在交叉地带。具体做法是在速递时特别关注那些跨方向的论文比如用扩散模型做检测用多模态模型做三维重建等。这些论文往往能给你带来新的视角也可能启发你在自己方向上的创新。我自己的很多项目灵感都来自于这种跨方向的观察。9. 关于速递节奏的个人体会做了两年多的CV学术速递我最大的体会是节奏比强度重要。每天花二十分钟稳定速递比每周花三小时集中补课效果好得多。因为前沿跟踪是一个持续的过程你需要的是对领域动向的连续感知而不是脉冲式的信息摄入。另外一点是速递的质量取决于你的筛选标准而筛选标准取决于你的研究方向和实践经验。所以速递不是孤立的它和你的项目实践是相互滋养的。你在项目里遇到的问题会引导你在速递时关注特定的论文而速递时读到的新方法又会反过来启发你的项目实践。这个循环转起来之后你的成长速度会明显加快。最后分享一个我一直在用的小技巧在速递笔记里专门留一栏叫待验证想法。每次读论文时如果冒出一个这个方法也许可以用在我的项目里的念头就记在这一栏。攒够三五个之后挑一个周末做快速验证。这个习惯让我把很多读过就忘的论文真正变成了项目里的技术积累。