视觉模型的发展与系统接入

视觉模型把像素转成可用于识别、测量、描述或行动的表示。模型的发展既包括架构变化，也包括学习目标、图像组织方式和系统接口的变化。本专题用十二篇独立长文串起这些关系，配以原创机制图和可手算例子。

如果第一次系统接触计算机视觉，可按下表顺序阅读。如果已经熟悉神经网络，想理解多模态模型的视觉输入，可从第 5、6 篇进入，再读第 7–9 篇。关心视频、视觉智能体和模型选择，可在了解视觉塔后阅读最后三篇。

从任务与表示走到组合系统

篇章	阅读入口	这一篇解决的问题
01	计算机视觉简史	场景分析、视觉理论、统计识别、数据评测与预训练如何演变
02	经典特征与几何	SIFT、HOG、匹配和几何验证怎样从像素构成证据
03	卷积网络与残差学习	局部运算、权重共享、训练目标与残差连接分别解决什么
04	检测、分割与提示	从整图类别到框、像素和目标提示，输出责任怎样变化
05	ViT、DeiT 与 Swin	图像如何成为序列，注意力、训练数据与局部窗口怎样配合
06	Patch、分辨率与 token	切 patch、裁大图、打包与合并 token 到底在哪一步发生
07	CLIP、SigLIP 与图文对齐	图文如何可比较，配对损失和零样本候选如何影响解释
08	自监督视觉学习	SimCLR、MAE、DINO 与 DINOv3 分别从哪里取得学习信号
09	视觉塔与连接器	投影、查询瓶颈、交叉注意力与 DeepStack 怎样把图像接到语言模型
10	视频、记忆与世界模型	时间、对象身份和动作条件怎样加入，预测与控制之间缺什么
11	视觉系统与评价	输入变换、坐标、工具执行和任务验收怎样形成完整流程
12	近期模型与开放问题	2025–2026 年统一表示、多目标记忆与原生视听系统改变了哪些环节

历史篇沿当时的问题、方法和研究条件展开。其余各篇按学习需要组织，分别深入特征、架构、训练、输入处理和系统应用，篇章顺序不表示这些技术逐代接替。

选择技术时，需要先明确任务。整图识别、局部匹配、图文检索和软件操作要求不同的输出，也采用不同评价。各篇会结合相应任务解释方法的用途与限制。

各篇采用公开论文和官方实现，原图均为教学示意，算例不是模型实验。近期模型以 2026 年 10 月 26 日核对的材料为截面；论文、代码、权重和服务的可用范围分别说明，不给出跨条件的统一性能榜。