1、英文名 / 缩写：

Computer Vision（缩写 CV），别名：机器视觉、图像理解、视觉智能

2、标准定义：

计算机视觉（Computer Vision，CV）是人工智能的核心子领域，研究如何让计算机从图像或视频中理解视觉内容，涵盖图像分类、目标检测、图像分割、人脸识别、姿态估计、光学字符识别（OCR 光学字符识别）、视频分析、3D 重建等任务。从传统特征工程（SIFT、HOG）到深度卷积神经网络（CNN）、再到视觉 Transformer 与多模态大模型，CV 经历了三次能力跃迁。当下以视觉大模型、视觉-语言模型（VLM）与具身智能 Embodied AI 为代表的前沿方向，正在推动 CV 从感知走向认知与决策，是自动驾驶、机器人、安防、医疗影像、AIGC · 工业生成内容 等场景的关键支撑。

3、核心信息卡：

· 中文名：计算机视觉

· 英文名：Computer Vision

· 缩写：CV

· 别名：机器视觉、图像理解、视觉智能

· 提出者：奠基：David Marr（1982 视觉计算理论）；深度学习派：Yann LeCun（LeNet）、Krizhevsky（AlexNet）、何恺明（ResNet）；多模态派：Google（ViT）、OpenAI（CLIP、DALL·E）

· 提出时间：1960 年代（模式识别起步）；1980-2000 年代（特征工程时代）；2012 年（AlexNet 开启深度 CV 时代）；2017 年（ViT、CLIP）

· 所属类别：AI 技术 > 深度学习 > 视觉感知

· 核心技术：CNN、ResNet、Vision Transformer、CLIP、目标检测（YOLO/DETR）、图像分割（SAM）、扩散模型 生成、视频理解

· 主要应用：人脸识别、自动驾驶感知、安防监控、医疗影像、工业质检、AR/VR、AIGC · 工业生成内容、机器人视觉

4、工作原理：

1. 图像输入与预处理：对原始图像/视频做归一化、增强、Resize 等处理，统一输入尺度 → 2. 特征提取：用 CNN、ResNet、ViT 等骨干网络从像素中提取从底层（边缘、纹理）到高层（物体、语义）的多尺度特征 → 3. 任务建模：依据分类、检测、识别、分割等任务设计特定 Head（如分类器、检测框、像素掩码）→ 4. 损失与优化：以交叉熵、IoU、对比损失等为目标，用梯度下降迭代训练 → 5. 后处理与部署：用 NMS、CRF 等算法优化输出结果，部署到 GPU、端侧 NPU 或边缘计算 设备 → 6. 多模态融合：与 NLP、语音融合形成视觉-语言模型（VLM）、数字人 等高级能力

5、发展历程：

· 1960-1970 年代：模式识别与边缘算子（Canny、Sobel）起步，CV 作为独立学科诞生

· 1980-1990 年代：David Marr《Vision》提出视觉计算理论；SIFT、HOG 等手工特征主导

· 2000-2010 年代：基于特征 + 分类器（SVM、AdaBoost）的方法工业化（人脸检测、OCR）；ImageNet 推动数据规模

· 2012 年：AlexNet 在 ImageNet 大幅领先，深度 CNN 取代手工特征，CV 进入深度学习时代

· 2014-2017 年：R-CNN、YOLO、ResNet、Faster R-CNN 等推动检测/分割工业化；Mask R-CNN 进入实例分割

· 2017-2020 年：Vision Transformer（ViT）、CLIP、Swin Transformer 推动注意力机制成为 CV 主流

· 2021-2025 年：SAM（Segment Anything）、视觉大模型、多模态大模型、数字人、自动驾驶感知与具身智能 Embodied AI 推动 CV 从感知走向认知

6、主要类型 / 分类：

· 按任务：图像分类、目标检测、图像分割、人脸识别、姿态估计、OCR 光学字符识别、视频理解、3D 重建

· 按架构：CNN 时代（ResNet、EfficientNet）、Transformer 时代（ViT、Swin）、大模型时代（SAM、CLIP、视觉 LLM）

· 按模态：单图像、跨模态（视觉-语言、视觉-语音、视觉-3D）

· 按应用场景：安防 CV、自动驾驶 CV、医疗 CV、工业 CV、消费 CV（美颜、AR 滤镜）、AIGC 视觉生成

· 按学习范式：监督学习、自监督学习（DINO、MAE）、对比学习（CLIP）、扩散模型 生成

7、应用场景：

· 人脸识别与安防：刷脸支付、门禁、监控视频分析与异常事件检测

· 自动驾驶：车道线检测、交通标志识别、3D 目标检测、BEV 感知、Occupancy 网络（Tesla FSD、Waymo）

· 医疗影像：CT/MRI 病灶检测、病理切片分析、辅助诊断（肺结节、眼底病变等）

· 工业质检：产品表面缺陷检测、尺寸测量、自动化分拣（与 数字孪生 Digital Twin 融合）

· AIGC 与内容创作：图像生成、视频生成、数字人、虚拟主播（属于 AIGC · 工业生成内容 范畴）

· 机器人与具身智能：机械臂视觉伺服、人形机器人视觉感知、自动驾驶与无人机导航

8、优缺点 / 局限性：

优点：应用场景极广：覆盖安防、医疗、交通、制造、消费等几乎所有视觉相关行业；大模型加持：CLIP、SAM、视觉 LLM 让 CV 具备零样本与开放词汇识别能力；工程化成熟：YOLO、Detectron2、MMCV 等开源框架降低开发门槛；与硬件深度结合：与摄像头、NPU、自动驾驶芯片等结合形成端到端方案

缺点：数据与标注成本高：高质量标注数据获取困难，尤其在医疗、工业等长尾场景；鲁棒性挑战：对光照、遮挡、罕见样本敏感，分布漂移会显著降低性能；可解释性弱：深度模型黑盒决策，难以满足医疗等强解释场景；隐私与合规：人脸识别等场景受 GDPR 等法规严格约束

9、常见误区：

· CV = 人脸识别（错：人脸识别只是 CV 众多任务之一，目标检测、分割、生成同样重要）

· CV 模型可以通用（错：自动驾驶、工业质检、医疗影像等场景需要专门数据与算法）

· CV = 图像分类（错：CV 涵盖检测、分割、视频、3D、生成等远超分类的丰富任务）

· CV 不需要 NLP（错：多模态大模型 时代，视觉-语言联合建模成为主流方向）

10、相关术语：

父概念：深度学习 Deep Learning、人工智能 Artificial Intelligence

子概念：OCR 光学字符识别、数字人、AIGC · 人工智能生成内容、具身智能 Embodied AI

兄弟概念：NLP · 自然语言处理、语音识别 ASR、语音合成 TTS

对比概念：NLP · 自然语言处理、语音识别 ASR

应用相关：数字孪生 Digital Twin、智能制造、人形机器人、多模态人工智能、RAG · 检索增强生成

11、参考资料：

· 来源：Krizhevsky et al. AlexNet 论文（NIPS 2012）

· 来源：He et al. ResNet 论文 CVPR 2016

· 来源：Dosovitskiy et al. ViT 论文 ICLR 2021

· 来源：Radford et al. CLIP 论文 arXiv:2103.00020（2021）

· 来源：Kirillov et al. SAM 论文 arXiv:2304.02643（2023）