每日ArXiv CV论文精读：视频生成、高斯泼溅与多模态新趋势

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：

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_query=cat:cs.CV+AND+submittedDate:%5B20261001+TO+20261002%5D&sortBy=submittedDate&sortOrder=descending&max_results=300" -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：

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。