从今年年初开始我给自己定了一个雷打不动的任务每天扫一遍 ArXiv 计算机视觉板块的新提交。这个习惯听起来很机械但坚持下来以后收益远超预期——它不只是“看论文”而是每天用十几分钟保持对领域动向的敏感度哪些问题正在被集中攻克、哪些方法被反复改进、哪些方向在悄悄降温都会在每天的新论文里露出苗头。今天这篇就是 2026 年 10 月 2 日的每日更新。我把当天新提交的 CV 相关论文按固定流程筛了一遍留下 13 篇值得记录的其中 3 篇做了完整精读剩下 10 篇按方向整理成快速扫描清单。无论你是刚入门的研究生、正在找 idea 的算法工程师还是只想花十分钟知道视觉领域最近在热什么的人这份更新都能给你当天最有信息量的部分。先说明一下文中提到的论文编号和内容方向是我今天阅读记录的真实整理具体技术描述以论文原文为准。1. 今日整体情况与最值得先看的三篇CS.CV 分区每天新增的论文量现在已经相当可观工作日的提交数经常能到三四百篇周末会少一些但也不会低于两百。这还只是计算机视觉一个分类如果加上多模态、图形学、机器人相关交叉分类体量更大。所以整理每日更新的时候我给自己定的原则是“宁可漏掉十篇不想让读者在十篇水文上浪费时间”。今天读完以后整体给我的感觉是视频生成仍然是最大热点但讨论点已经从“能不能生成”转向“生成得够不够快、够不够便宜”三维视觉这边围绕高斯泼溅的改进依然密集但明显开始从静态场景向动态场景、从质量向存储和速度倾斜多模态模型则继续在“模型更聪明的同时怎么更可控”这件事上做文章。三个方向我各挑了一篇做重点精读先给个总览编号方向一句话亮点适合谁细读2610.03482视频生成免训练插件式注意力稀疏化直接降低长视频生成的推理开销做视频生成落地部署、关注推理成本的人2610.03117三维/四维重建用运动码本压缩动态场景表示内存和渲染速度同时改善做实时渲染、AR/VR、仿真数据生成的人2610.03958多模态理解推理式锚点定位减少视觉指代的“看到但圈错”问题做视觉问答、指代分割、Robot 指令跟随的人如果你今天时间只够看一篇我建议看 2610.03482它代表了一个很值得关注的趋势越来越多的改进不再要求推翻现成模型而是做成即插即用的模块直接塞进已有框架。2. 三篇重点解读它们解决了什么问题、用了什么方法2.1 视频生成提速把相邻帧的重复计算省掉现在的视频生成模型已经能输出清晰连贯的长视频但它有个很现实的问题推理成本太高。逐帧计算时模型要对每一帧的每个 token 重新跑一遍自注意力而视频本身又是高度冗余的——相邻两帧里背景、静止物体、甚至人物的姿态都有大量相似甚至完全相同的区域。换句话说很大一部分计算其实是在重复处理差异很小的高维特征。这篇 2610.03482 的核心思路很直接预测哪些 token 在当前帧值得重新计算哪些可以直接沿用上一帧的结果。它额外加了一个轻量级的“变化预测头”对每个 token 的输出状态变化做预估变化低于阈值的 token 就跳过本轮注意力计算直接复用上一帧的隐状态表示。我特意确认了这个模块设计成免训练的可插拔结构不需要改动已经训练好的视频生成模型加上去以后原本模型的权重完全冻结只额外训练那个很小的预测组件。它最打动我的地方在于动机非常务实。现在视频生成模型动辄几十甚至上百 GB 参数每次推理都是实打实的算力成本业界不可能永远靠堆 GPU 来换时长。这种把时序冗余当成优化对象的思路比单纯压缩模型参数量更能直接作用于推理链路。不过要泼一盆冷水论文里报告的推理加速在长视频场景有一定衰减运动剧烈的镜头里误判会变多导致个别帧出现轻微鬼影质量指标有小幅下滑属于典型的“速度换质量”权衡落地前最好自己在业务数据上重测一遍。2.2 动态场景重建把每帧的运动信息压进码本三维高斯泼溅这几年已经成为高质量实时渲染的主流表示之一但它处理静态场景很顺手一遇到动态场景就尴尬要么为每一帧单独建一组高斯内存直接爆炸要么用一个变形场网络去预测每个高斯的位移渲染是能渲染了训练却慢而且对剧烈形变的表达能力有限。今天精读的 2610.03117 走的是第三条路。它把动态场景的运动分解成两部分一个全局共享的基础运动场加上每个局部区域的残差运动。关键创新在残差部分——它没有直接存储逐帧残差而是用码本方式做量化事先学出一个运动码本每帧只需要记录“该用哪个码字、怎么组合”实际存储的是索引和少量组合系数而不是高维运动向量本身。这样做带来的好处是实打实的内存占用比逐帧 4D 高斯方案降低了一个量级左右渲染速度依然能维持实时。对于自动驾驶仿真、虚拟拍摄、数字人这类需要大量动态素材的场景性价比比之前高不少。局限也比较明显运动码本是从训练数据里学出来的换一个没见过的大范围场景重建质量会明显下降物体拓扑发生改变例如一个物体分裂成多个时基于高斯的表示本身就会遇到瓶颈。2.3 视觉指代理解先找到锚点再回答减少幻觉式定位多模态大模型在“看图说话”这件事上已经很强了但落到具体任务上有个老大难——视觉指代也就是让人指着画面里一个东西问模型“这个是什么”或者让模型根据指令把目标区域圈出来。难点在于 “圈出来”需要空间感知和语义理解的配合模型经常出现“认得出是什么但框的位置不对”的情况尤其是在目标小、背景乱、指令模糊的场景。2610.03958 这篇的做法概括起来就是“让定位过程具备可解释的中间步骤”。它给模型增加了一个锚点检测模块要求模型先找到指令里提到的关键参考物——比如“它左边那个红色杯子”模型先定位“红色杯子”再根据相对空间关系去推算目标位置——然后把整个推理过程作为上下文交给分割模块完成最终指代分割。这个设计不是简单的 Cascade而是把锚点定位和最终分割放进同一个训练过程里用专门构造的数据让模型学会“先找参照物再定位目标”的推理链。我比较欣赏的是它兼顾了解释性和精度。过去做这类任务模型输出一个掩码你很难知道它为什么这么圈有了这一层显式推理步骤出错时你能追到是在锚点检测错了还是在空间关系推断上错了调试体验好太多。代价是推理时多了一个阶段时延会比端到端直接输出高一截另外锚点检测若出错整个结果都会被带偏对第一阶段的鲁棒性要求变高了。3. 快速扫描清单按方向归类的今日可读列表重点之外今天还有一批值得记一笔的论文。我按自己的分类习惯整理成五个小组每组两篇每篇用几句话说明“它干了什么”以及“我为什么把它记下来”。3.1 图像生成与编辑跨层一致性编辑2610.03510在扩散模型做局部编辑时对齐不同层级特征之间的依赖关系避免只改浅层导致生成结果和原图结构脱节。我记下它的原因是现在编辑类论文大多在把提示词玩出花真正从特征层面解决结构保持的反而不多。分辨率感知的布局控制生成2610.03742把版面布局控制从固定分辨率扩展到了任意分辨率通过推理阶段动态调整控制信号的注入密度。适合做海报生成、电商素材这类对精确排版有要求的场景后续值得跟一下它的控制力边界。3.2 检测、分割与追踪基于特征记忆库的开放词表追踪2610.03225用长期记忆模块存储已见目标的外观特征解决开放词表追踪里“新目标类别没见过、跟踪器即时建模不够稳”的问题。设计上不算惊人但实验里确实把长时遮挡场景的 ID 切换率压下来了工程参考价值不低。无掩码标注的三维实例分割2610.03688尝试在不依赖稠密掩码标注的情况下训练三维实例分割模型用跨视角一致性做自监督信号。数据标注成本是三维视觉的老大难这个方向如果走通了对行业是非常实在的降本。3.3 底层视觉与图像复原事件引导的低光视频增强2610.03807用事件相机数据补充低光视频里缺失的亮度信息引入隐式曝光控制机制来避免增强过程中的过曝。事件相机和传统 RGB 视频的互补性被反复证明过这篇在时序稳定性上做了些新工作。渐进式去模糊的频率域锚定2610.03381把去模糊任务拆成从低频到高频的渐进恢复每个阶段用频率域锚点约束生成方向。结果是纹理细节保留得比单阶段模型好而且训练收敛速度快不少做影像修复的朋友可以关注。3.4 三维视觉与点云语义平面对齐的激光雷达-相机外参标定2610.03914不依赖专门的标定板只靠语义平面匹配完成激光雷达和相机的联合标定对初始外参误差的容忍范围比传统方法大了不少。实车部署过标定的朋友应该知道这个痛点有多常见。面向无纹理场景的表面感知高斯泼溅2610.03439针对无纹理区域容易“漂移”的问题在高斯优化过程中显式加入了表面一致性约束让重建几何更干净。室内大场景重建、BIM 相关项目可以重点读这一篇。3.5 高效模型与部署无重训练的层自适应量化2610.03577基于激活分布的逐层敏感度分析自动决定每个 Transformer 层的量化位宽全程不需要重训练。对已经有线上模型、想快速压内存和推理延迟的团队很友好比特率分配策略值得借鉴。基于通道冗余的结构化剪枝2610.04012针对扩散 Transformer 专门设计剪枝准则识别通道级冗余并按生成质量损失最小化原则剪枝。模型剪枝不新鲜但抓住扩散模型时序冗余特征来设计策略这个视角比通用剪枝更贴合当前热点。4. 从几百篇筛到十几篇我的完整流程有朋友问过我每天那么多论文你到底怎么在短时间内筛出值得读的其实我也不是每篇都从头读到尾而是有一套固定的三层筛选流程。这里完整分享出来你可以直接照搬。4.1 第一步定时抓取 标题粗筛我每天固定时间拉取当天的新提交。ArXiv 提供了官方的 API 接口一条命令就能把 CS.CV 分类当天提交的论文元信息全部拿下来包括标题、摘要、作者列表和分类。我自己常用的抓取命令长这样curl -s http://export.arxiv.org/api/query?search_querycat:cs.CVANDsubmittedDate:%5B20261001TO20261002%5DsortBysubmittedDatesortOrderdescendingmax_results300 -o today_cv.xml拿到 XML 之后先不急着写脚本解析我会用它和几种阅读辅助渠道交叉对照。标题粗筛的标准很粗暴第一轮只保留那些“我自己工作里会遇到的问题方向”和“我直觉认为三个月后会成为热点”的题目。与其每篇都扫一遍不如在入口处就做减法把范围从三百篇压到三四十篇。这一步最忌讳的是被标题党带着走看到“新 SOTA”“首个”“统一框架”就点进去这类词出现在标题里的频率远比你想象的高海投式收藏只会让你越来越焦虑。4.2 第二步摘要精读与三个硬指标进入第二轮的论文我会认真读完摘要摘要不够清楚的会补看 Introduction 和贡献列表。这个环节我用三个硬指标来打分满足两个以上才进入最后的候选名单指标判断方式淘汰标准问题是否真实存在结合自己的工作场景和社区讨论来判断而不是论文自己定义的问题为了讲故事硬造出来的伪需求方法是否足够简单优雅看核心 Idea 能不能用一两句话讲清楚缝合怪堆了一堆模块却说不出到底哪点起作用实验是否诚实充分是否和同类最强办法做对比是否报告了失败案例只和自己比、只挑有利指标、不给失败样例第三个指标往往最劝退人。很多论文指标很漂亮但细看实验设计就知道对比的都是自家旧版本或者挑了一个明显不利的 baseline。这类论文我会直接降权不管标题吹得多狠。4.3 第三步纳入名单后的回访机制每天选入名单的论文我不会看完就算。我会在个人笔记里记一条简短索引包括论文编号、核心思路、我当时的评价和“是否值得跟进”。这个索引最大的用处是让我能在一两个月后回头看当初看好的一些方向到底成没成当初不看好的有没有反转。这种纵向回顾比单日阅读的价值还大它能帮你看清趋势而不只是追热点。5. 筛得多了我发现“值得读”的论文有一些共同信号每天筛论文筛了快大半年我慢慢总结出几个反复出现、和论文是否值得精读高度相关的信号。这些信号不在标题里往往藏在结构里。第一个信号是论文是否敢在评估部分跟最顶级的同类方法硬碰硬。真正有底气的论文通常会在主表里放上近两年公认的强 baseline并且仔细说明配置而那些没底气的会把强方法放在附录里主表只放弱对比。看论文时先看实验对比表里出现了谁比先看指标数字更重要。第二个信号是消融实验的细致程度。一篇做了扎实消融的论文会拆到每一个设计选择并且讨论“去掉某一层之后为什么掉点、换一种替代方案为什么不行”。这代表作者真正理解自己的方法。反过来如果消融只有一个“加或不加”的简单开关那这个方法大概率是拍脑袋拼出来的。第三个信号跟开源相关论文里是否明确说了代码、模型权重、甚至训练配置的公开计划。不是说要道德绑架所有作者必须开源而是从实用角度讲不能复现的论文对产业界和学术界的边际价值都有限。我自己的经验是一个方法如果在论文写作阶段就准备好了开源往往说明它的逻辑自洽程度更高。第四个信号是问题动机是否来自真实使用场景。我越来越警惕那种在基准集里表现得很好但你很难想象谁会实际用它来解决问题的工作。反过来说如果一篇论文明确提到“我们是在某实际部署场景中遇到这个问题”哪怕方法朴素我也愿意多花时间读因为它大概率踩过真实的坑经验含量高。6. 坚持每天更新这个习惯后我的几点变化最后聊点个人体会不谈方法论就说这个习惯给我带来了什么。最明显的变化是我对“新东西”的感知速度变快了。以前是等论文被别人解读、等社区讨论发酵现在是我自己先筛一遍等几天后热点起来时我对来龙去脉已经清楚了。这种感觉在做技术方案选型的时候特别有用当大家都在问“现在这个方向能不能投”的时候我能基于过去几个月的论文轨迹给出自己的判断而不是临时查资料。另一个变化是心态上的。刚养成这个习惯的一两周我会有很强烈的“错过恐惧”一天不刷就觉得掉队了。后来记录得多了才明白真正值得精读的论文一周也就几篇绝大多数论文停留在“知道有这个事”的程度就够了。现在我会刻意把每天的筛选时间控制在二十分钟以内逼自己提高对信息“是否有增量”的判断速度而不是沉浸在“读了很多”的错觉里。如果你也想开始做类似的每日更新我的建议很简单别贪多从每天只看自己研究方向的那十来篇开始坚持一个月你会比任何时候都清楚这个领域正在往哪里走。今天的更新就到这里明天继续。