每天早上打开 ArXiv 的 cs.CV 分类过一遍新论文，已经成了我跟刷牙一样自然的习惯。最初只是怕漏掉跟自己研究方向相关的工作，后来顺手把筛选结果写成每日分享贴，发现受益的不光是自己——很多同行私信说“跟着你的清单看论文，省了不少时间”。做这个“[每日更新][ArXiv CV Paper]”的系列，本质上是把一套文献追踪流程固定成日常动作：定时抓取、快速筛选、形成笔记、对外发布。这篇文章就把我跑通的整套流程完整拆开，从为什么值得做，到具体怎么筛、用什么工具、踩过哪些坑，一步一步说清楚，想自己动手做的朋友可以直接照着搭。
1. 为什么坚持每日追踪 ArXiv CV 论文
1.1 CV 领域的更新节奏到底有多快
计算机视觉方向的论文增长速度，用“爆炸”来形容一点都不夸张。我一个很直观的感受是：早几年每周抽一天集中刷 ArXiv 完全来得及，现在隔一天不看，当天新增的 cs.CV 论文可能就是三五十篇，一整个星期不看，累计下来上百篇的阅读压力会让人直接放弃。之所以出现这种局面，一方面是扩散模型、多模态大模型、三维重建这些方向持续高热，投奔这些赛道的团队越来越多；另一方面是很多工作为了抢首发，会先挂预印本再投会议，这导致 ArXiv 几乎成了 CV 领域的事实性“首发平台”。
对普通研究者来说，这种节奏带来的最大问题不是“看不完”，而是“不知道该看什么”。假设你每天只精读两篇论文，两百篇里选两篇，选错方向的代价非常高。更麻烦的是，错过一篇关键工作可能意味着你重复造轮子，固定的时间资源花在了别人已经解决的问题上。我见过不止一位同学，做完整个项目才发现核心思路早有人发过预印本，这种挫败感很难受。所以每天花一点时间维持对前沿的感知，不是“勤奋”的问题，而是这个领域生存的基本功。
1.2 每日分享对研究和工程的实际价值
有人会问：我自己用 RSS 订一份 ArXiv 邮件不就行了吗，为什么还要额外做一份分享？答案很简单：订阅只能保证“收到”，不能保证“读过”。我把每日分享当作一种强制性的输出消化机制——因为要写推荐理由，所以我必须对每篇候选论文的真正贡献有判断，而不是把标题扫描一遍就当“看过了”。
分享带来的另外一层价值是筛选标准的“外置化”。一个人刷论文，很容易陷进自己的小领域里越看越窄；当你面向读者写推荐时，会不自觉地考虑“这篇工作对其他人有没有启发”，于是你会多关注一些跨子领域的交叉工作。我有一段时间只盯着姿态估计，开始做每日分享之后，反而开始认真看 NeRF、3DGS、多模态对齐这些相邻方向，这个视野拓宽直接反映在了自己的研究选题上。所以，每日更新这件事，表面上是运营一个内容栏目，实质上是在给自己搭建一套高质量的信息过滤系统。
2. 论文筛选策略：从当日上百篇到值得读的十几篇
2.1 先明确自己的追踪边界
做筛选最忌讳的是“什么都想看”。ArXiv 的 cs.CV 一天新增几十篇，加上 cs.LG、cs.AI、cs.MM 这些相邻分类，如果全看，时间根本不够。我的做法是把追踪范围切成三层：核心层、扩展层、外围层。
核心层是自己的主攻方向，比如我长期跟进的是生成模型和三维视觉，这一层的论文要逐篇精读；扩展层是跟主攻方向强相关的子领域，像扩散模型加速、新视图合成、几何深度学习，这些论文要粗读摘要、图和结论；外围层是更大的计算机视觉版图，包括检测、分割、视频理解这些经典任务，这部分通常只看标题和关键词，遇到有意思的再点进去。这个三层结构不是拍脑袋定的，它保证我每天真正“读完”的内容不超过十篇，在这个体量内我才有余力做深度理解和笔记。
确定边界这件事要定期复盘。我每季度会回看过去三个月自己推荐过、精读过的论文列表，如果发现某个方向的占比突然很高，说明最近热点在转移，我会主动调整追踪范围的权重。比如有一段时间自监督学习相关工作集中爆发，我就把扩展层临时扩到这个方向，等热度过去再收回来。追踪边界不是一成不变的死清单，而是一个动态调整的雷达屏。
2.2 快速判断一篇论文值不值得点进去
在标题和摘要这个层面，我有一套“四看”判断法，熟练之后每篇论文平均半分钟内就能给出初步结论。
第一看标题结构。如果标题能直接告诉读者“我做了什么、用什么方法、解决什么问题”，比如“某某基准数据集”“某某加速框架”，这篇通常思路清晰；反过来，如果标题只有花哨的短语而没有动词或任务关键词，往往要谨慎对待。第二看摘要的第一句和最后一句。第一句解决“现有方法有什么问题”，最后一句解决“我们做到了什么水平”，这两句有信息量，就说明作者写作清楚，大概率是认真做的工作。第三看方法图。我会点开论文页面直接扫方法流程图，重点看 pipeline 是端到端还是多阶段、标注的模块是新的还是换皮。第四看实验表格。如果方法在主流基准上呈整体性上涨而不是只挑个别数据集涨几个点，可信度会高很多。
这套判断方法看起来朴素，但确实能过滤掉相当一部分“标题党”论文。有个额外的经验是：同时挂出了代码的项目，我一般会提高一档优先级。代码开源不代表论文一定好，但在复现友好的前提下，它的可借鉴价值通常比纯理论描述高不少。
2.3 筛选标准的动态调整
筛选标准要持续被真实反馈修正，不能一套标准用一年。我自己调整标准的依据是“推荐之后读者的反应”和“我自己的引用命中率”。比如有一段时间我偏好推荐基准数据集类的工作，因为这类论文容易理解、推荐理由好写，但后来发现这些工作虽然热度高，对我自己模型设计的启发其实有限，于是把这类论文的权重降了下来，更多关注方法上有真正创新的工作。
另一个调整来自“复现翻车”。推荐过一篇看似惊艳的速度优化方法，仔细跑复现实验时发现它的加速比只在小 batch 下成立，大 batch 场景增益几乎消失。被现实数据教育之后，我的筛选清单里新增了一条：如果论文的核心卖点是性能指标，我会额外留意实验设置是否有苛刻前提，比如特殊初始化、特定硬件或受限的评测范围。这类“从实践反推标准”的迭代，是筛选策略真正变得可信的关键。
3. 检索订阅与自动化工具配置
3.1 用官方 API 拉取每日新增论文
ArXiv 提供了公开的 API 接口，这是整个自动化的基础。我用的检索语句是拉取 cs.CV 分类下按提交时间倒序排列的论文，API 返回的是标准格式的 XML，用脚本解析后就能拿到标题、作者、摘要、链接、分类这些字段。
这个接口最大的好处是稳定且不需要额外认证，跑定时任务非常合适。要注意的是接口返回的条目数和查询条件限制，单次请求不建议拉取过多，否则容易触发服务端的限流。我一般每次请求 50 条，这样既能覆盖前一天的增量，又不会给服务端造成压力。
解析 XML 时有两个小细节容易踩坑。第一个是摘要里可能包含多行空白和 LaTeX 公式片段，直接输出会显得很乱，我习惯做一层清理，把换行合并、去掉公式标记；第二个是作者列表往往是逗号拼接的长字符串，拆分成可读格式更利于后续人工筛选。这些细节看起来小，但直接影响自动化脚本的可用性。
3.2 辅助筛选的常用工具组合
除了官方 API，我还会借助一些现成的工具提高筛选效率。文献管理软件负责沉淀笔记和标注，笔记工具负责撰写分享草稿，这些组合起来就是一个完整的流水线。
从实用性角度，我不建议一开始就折腾“全家桶”方案。最简版本是：脚本拉数据 + 阅读器看 PDF + 表格管理推荐清单，三件套就已经能跑通流程。等熟练之后，再逐步加入标签系统、全文检索、相关论文推荐这些进阶功能。工具的目的是缩短从“看到标题”到“形成判断”的时间，如果工具本身需要花大量精力维护，那就要果断做减法。
3.3 一个可复用的自动化脚本
分享一个我目前在用的简化版拉取脚本。它做的事情很简单：请求最新论文、解析标题摘要、输出一个初步过滤后的列表。
import urllib.request import xml.etree.ElementTree as ET # ArXiv API 查询：cs.CV 分类，按提交时间倒序取最近 30 条 query = "cat:cs.CV" url = ( f"http://export.arxiv.org/api/query?" f"search_query={query}&start=0&max_results=30&" f"sortBy=submittedDate&sortOrder=descending" ) headers = {"User-Agent": "cv-daily-tracker/1.0"} req = urllib.request.Request(url, headers=headers) with urllib.request.urlopen(req, timeout=30) as resp: xml_data = resp.read().decode("utf-8") ns = {"atom": "http://www.w3.org/2005/Atom"} root = ET.fromstring(xml_data) def clean_text(text): # 合并多余空白，去掉常见 LaTeX 标记，保留基本可读性 import re text = re.sub(r"\\[a-zA-Z]+", " ", text) text = re.sub(r"[{}\$]", " ", text) return " ".join(text.split()) for entry in root.findall("atom:entry", ns): title = entry.find("atom:title", ns).text.strip() summary = clean_text(entry.find("atom:summary", ns).text) link = entry.find("atom:id", ns).text.strip() # 这里就是我的初筛位置：根据标题和摘要关键词标记候选推荐 print(f"{title}\n{link}\n摘要前200字: {summary[:200]}\n{'-' * 60}")实际使用中我会在脚本里加一个关键词过滤列表，把“depth estimation”“diffusion”这类自己关注的方向作为标记优先级，再配合人工判断做最终决定。脚本本身不复杂，真正的价值在于把重复的“拉列表”动作自动化，让我能集中精力做更有价值的筛选和阅读。
4. 阅读、笔记与每日分享的落地方案
4.1 十分钟粗读法：先把论文分成三档
论文拿到手，我建议先粗读再决定是否精读，而不是逐篇从头看到尾。我的粗读流程严格控制在十分钟以内：先读标题、摘要、图表标题和结论，再看一眼方法图的结构走向，最后扫实验表格的数值趋势。
粗读完成后立刻给论文分档。A 档是必须精读的工作，通常意味着它跟我的研究方向高度相关，或者方法有很强的启发价值；B 档是值得收藏备查的工作，当前不一定精读，但可能在写论文、做对比实验时用到；C 档是只需要留下元数据的工作，放到月度回顾里偶尔翻看。分档这个动作非常重要，因为人的注意力是有限资源，不给论文分档就会陷入“每篇都读了，每篇都忘”的低效循环。
分档依据我会直接记在笔记软件里，形成一条条结构化的卡片。A 档论文会占我当天阅读时间的主要部分，B 档和 C 档只在每月回顾时展开。这样做下来，每周精读论文保持在 10 篇左右，每日推荐的十几篇是在这个消化能力之内选出的，不会出现“推荐了但自己根本没看过”的失真情况。
4.2 笔记模板：一句话概括、方法核心、可借鉴点
长期做论文分享之后，我发现笔记的质量直接决定分享的质量。我的笔记模板固定为五个字段：这篇论文做了什么、方法的核心思路是什么、实验证明了什么、跟我当前工作的关联是什么、这篇论文最值得借鉴的实操点是什么。
“做了什么”和“方法核心思路”要求必须用一两句话讲清楚，这个约束迫使我去理解论文的本质贡献，而不是抄摘要。“实验证明了什么”考验的是对实验设计的判断力，我会特别关注消融实验有没有验证作者宣称的贡献点。“关联”和“借鉴点”则是把论文从“别人的工作”变成“我的生产资料”的关键一步，哪怕只是学到某个数据增强的细节，这论文就算没白读。
不要小看这个模板的作用。信息只有经过结构化的转述，才可能真正内化。有些论文读的时候感觉很厉害，但关上 PDF 回忆不出具体贡献，就是因为缺乏结构化笔记的锚点。这个五字段模板让我在写每日推荐时几乎不需要重新翻论文，直接基于笔记组织文案就行。
4.3 分享格式与文案组织
每日分享贴的格式同样要固定，读者一旦习惯了你的结构，阅读成本会大幅降低。我的分享格式大概是这样：开头是更新的日期和当日筛选数据（当日新增、初筛入选、重点推荐），中间是重点推荐论文的简短解读，末尾列出其他值得关注论文的标题列表。
重点推荐的解读部分，我会严格遵循“一句话贡献 + 方法亮点 + 适用场景”的写法。比如推荐某篇加速方法，我会写清楚它压缩的是计算瓶颈还是内存瓶颈、适用的模型规模范围、跟现有方法的优缺点对比。这样的文案对读者来说信息密度足够，一眼就能判断要不要去读原文。
文案我不建议写太长，每篇重点推荐控制在 200 字以内。原因是每日更新系列的核心价值是“帮你快速雷达扫描”，而不是“替你读完论文”。读者需要的是方向感和优先级，完整的深度阅读应该留给他们自己完成。如果推荐文案写成了论文解读长文，反而会影响整个栏目的易读性。
5. 每日更新实践中的绊脚石与应对
5.1 常见的技术与流程问题
做每日更新最开始的阶段，我遇到的问题是“对不齐时区”。ArXiv 的新论文按美东时间更新，对国内来说新一批论文通常在下午到晚上才出现，我一度在早上拉数据，发现只能拉到昨天的内容，差点以为接口坏了。解决方式很简单，把定时任务改到下午执行，另外把 API 返回的提交时间字段打印出来做核对，以实际发布时间为准。
另一个常见问题是论文版本更新。同一篇论文可能刚挂出来是 v1，隔几天作者更新成 v2，如果在分享时不注意区分版本，容易推荐一个已经被作者修正过的“旧结论”。我现在会在推荐链接里标注版本号，并且只在论文有重大更新时（比如方法重写、实验补全）做再次推荐，常规的改动就不重复打扰读者。
还有一类问题跟 API 行为有关：关键词搜索时返回结果里可能夹杂少量非 CV 分类的论文，这是因为 ArXiv 的搜索匹配的是全字段，摘要里出现过相关词也可能被召回。我的处理办法是在脚本里增加分类字段校验，只保留主要分类为 cs.CV 的结果，这样列表更干净。
5.2 误判与漏判的遗憾
做筛选时间长了，最让我印象深刻的不是那些“一眼就是重点”的论文，而是那些差点被漏掉的工作。有一次，一篇关于训练稳定性分析的文章标题看起来非常理论化，摘要也没有鲜艳的实验数据，我在初筛时直接扔到了 C 档。后来某位读者私信说这篇工作的结论对他很有启发，我回去精读才发现，这个工作对学习率调参的指导价值，远超我当时推荐的几篇“性能刷点”的文章。从那之后，我的筛选标准里多了一条：如果一篇论文能提出一般性的规律或洞察，即使没有 SOTA 指标，也值得推荐。
误判的反面是“高估”。我也曾推荐过看起来很酷炫的架构设计，后来多个复现者反馈代码实现复杂、收益存疑。这种误判很难完全避免，我会在推荐文案里更谨慎地使用“显著提升”这类措辞，改用“潜力很大”这种更准确的表述。吃一堑长一智，推荐语气适度保守，是对读者负责，也是对自己长期信誉的维护。
5.3 如何对抗机械式刷新的消耗
每日更新最大的隐性风险，是把自己活成“论文搬运工”。有一段时间我陷入了一个怪圈：把筛选、分档、发布这些动作完成得越来越流畅，但停下来回想，却说不清这个星期到底从论文里学到了什么。那段时间的分享贴虽然按时发布，内容质感却明显下降。
后来我强制引入了一个“深读日”机制：每周划出半天，把本周 A 档论文中的一到两篇精读，并输出一篇完整笔记的扩展版，深度还原从问题提出到实验设计的整个思路脉络。这半天不追求数量，只为保证我跟真正重要的论文之间建立了至少一次的深度思想交互。有了深读日作为锚点，每日更新才没有沦为纯粹的机械劳动，而是成为持续输入的入口。
我自己跑下来最大的体会是：做每日论文分享，最难的不是技术，而是坚持在输出中保持思考。工具和流程只能帮你把“采集”和“整理”自动化，但“理解”和“判断”永远要自己完成。如果你准备开始做这件事，建议先别急着搭复杂的系统，用手动方式跑两周，确认自己真能从每日筛选中获得价值，再逐步开工具有增效。这个系列最大的回报，不是多少读者关注，而是几个月后回头看，你会发现自己对一个领域的感知，已经比当初敏锐太多了。
