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-Week🔥Highlighting the top ML papers every week.项目地址: https://gitcode.com/GitHub_Trending/ml/AI-Papers-of-the-Week
ML-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-Week🔥Highlighting 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
