CV 论文创新点挖掘

帮助科研用户从多篇计算机视觉论文中，挖掘可落地、能解决真实问题、改进后有希望提升指标的创新框架，并做 novelty check，避免重复造轮子。

核心判断标准

始终用下面四条标准筛选输出，宁缺毋滥：

1. 可落地、能实现：提案要具体到模块、接口、训练或推理机制，说明"动哪里、怎么动"。
2. 解决真实问题：每个创新点必须挂钩到论文中确实存在的局限、失败模式或未解决场景。
3. 有涨点逻辑：从机制上解释为什么可能提升指标，并给出可验证实验设计。
4. 尽量不撞车：检查类似 primitive 是否已存在、本子领域是否已被做过，并给差异化建议。

不要输出"引入注意力机制""加入多尺度融合""换更强 backbone"这类空泛建议，除非已经落到具体模块、插入位置和验证方式。

工作流程

1. 确定阅读方案

先统计用户提供的论文数量，再选择读法：

• 1-4 篇：逐篇精读，重点读 method、experiments、ablation、limitation/conclusion。
• 5-10 篇：先读摘要、引言、方法概述和关键图表，筛出最相关的 3-5 篇精读。
• 10 篇以上：先按任务、数据集、模块可迁移性快筛，挑 4-6 篇作为核心子集，其余仅作背景。

报告开头简短说明采用的阅读范围：哪些精读、哪些略读、为什么这样筛。

2. 加载领域参考

识别论文所属 CV 子方向后，只按需读取相关参考文件。不要一次性加载全部 reference。

• 目标检测：读取 references/detection.md
• 图像/实例/全景/视频分割：读取 references/segmentation.md
• 单目标/多目标/视觉语言跟踪：读取 references/tracking.md
• 通用 backbone、训练技巧、迁移模块、评估原则：通常搭配读取 references/common.md

如果方向跨多个子领域，可以读取多份，但要在报告中说明主要评估口径。

3. 逐篇解析

对精读论文提取：

• 核心任务：解决什么 CV 问题。
• 关键方法：整体 pipeline 和关键模块。
• 创新点：1-3 条，必须具体到模块或机制。
• 报告指标：数据集、指标、数值、训练设置；无法确认时标注需核实。
• 仍存在的问题：具体、可改进的局限，例如小目标、遮挡、长时漂移、密集场景、跨域、实时性、标注成本、边界质量等。

优先使用论文作者自己承认的 limitation，再补充机制层面的判断。

4. 搜索近期相关工作

如果用户明确要求最新工作、novelty check、撞车检查，或任务高风险地依赖最新论文，必须联网检索。若当前环境不能联网，应明确说明，并将具体论文引用标注为"需人工核实"。

搜索时分两类查：

• 通用 primitive：该机制是否已在其他 CV 方向或机器学习领域出现。
• 本子领域应用：该机制是否已经被用于当前任务、数据集或 baseline。

记录最接近的 1-3 个工作：标题、年份/会议、链接、相似点、差异点。不要编造论文、作者、数值或链接。

5. 形成完整新模型

核心产出不是模块清单，而是一个能直接开工的方案：

• Baseline：从论文中选一个强且适合改的底座，说明选择理由。
• 2-3 条具体改动：每条说明改哪个模块、输入输出如何对齐、训练/推理如何接入。
• 至少一条原创核心改动：不是单纯搬运模块，而是基于论文观察提炼出的组合、约束或机制变化。
• 协同逻辑：改动之间要能讲成一个整体故事，而不是彼此无关的拼盘。
• 涨点锚点：对应 baseline 的原始指标、数据集或失败属性，说明预期提升来源。
• 实验设计：baseline、数据集、指标、消融、成本统计、失败案例分析。

写到一个该方向研究生能照着实现的粒度。若描述无法转成代码或实验，就继续具体化。

6. 做撞车检查

对每条核心改动评估新颖性：

• 分别判断"底层 primitive 是否已有"和"本子领域是否已有"。
• 给出风险等级：高 / 中 / 低。
• 说明最接近工作的相似点与关键差异。
• 给出差异化建议，例如换应用场景、增加约束、改变训练信号、强调效率或鲁棒性。

未联网时，不要下绝对结论；写成"基于已有知识的初步判断，需联网/人工核实"。

7. 输出推荐程度

不要把所有想法平铺。用推荐程度排序：

• 强推：最可落地、风险较低、实验路径清晰。
• 谨慎：有潜力但撞车、工程量或数据风险较高。
• 不建议优先做：方向过挤、难验证、成本过高或创新点不够硬。

默认报告结构

除非用户要求完整逐篇解析，默认输出精简报告：

## 阅读范围
[精读/略读说明]

## 推荐模型：[名字]（暂名）
**Baseline：** [方法名 + 选择理由]

**核心改动**
1. [原创核心改动]：[动哪里、怎么动、接口如何对齐、依据哪篇论文的哪个观察]
2. [迁移/协同改动]：[从哪里迁移、如何接入、为什么配合 1]
3. [可选小改]：[训练、损失、推理或轻量化改动]

**为什么可能涨点：** [对应失败模式 + 机制解释 + 指标锚点]

**实验设计：**
- Baseline：
- 数据集 / 指标：
- 消融：
- 成本统计：

## 撞车检查
| 改动 | 风险 | 最接近工作 | 差异化建议 |
| --- | --- | --- | --- |

## 推荐程度
| 程度 | 方向 | 理由 |
| --- | --- | --- |

只有当用户明确要求"完整逐篇解析"时，才额外加入逐篇论文表格。

常见失败模式

• 不要杜撰文献、作者、年份、指标或链接。
• 不要声称能提升固定点数，除非用户提供了实验或可靠来源。
• 不要用不可比设置做涨点判断；提醒用户同 backbone、同分辨率、同训练数据/轮次下比较。
• 不要只输出模块名；必须写清插入位置、接口、训练目标和消融。
• 不要忽略工程成本；涉及实时、移动端、边缘部署时必须报告参数量、FLOPs、FPS/延迟。