视觉研究脉络：从 Marr 到基础模型

一句话定义

计算机视觉六十余年走过了「Marr 计算理论 → 特征工程时代 → 深度学习革命 → 基础模型范式」四段主线，理解各阶段的问题意识与代表人物，才能判断新方法解决的是老问题的哪一块。

为什么重要

学科史是「判断坐标系」：看到一篇新论文，知道它站在哪个传统的延长线上，才能识别真创新与重新包装；面试与选型时，能讲清「为什么这个方法在那个年代出现」的人，往往也是能判断技术边界的人。

直观类比

视觉学科像一座屡次翻修的老房子：Marr 画了建筑图纸（理论框架），特征工程时代砌了砖墙（手工特征 + 几何），深度学习时代换了整面承重墙（端到端学习），基础模型时代则开始给整栋楼装中央大脑（通用表征 + 提示）；每次翻修都没有推倒全部，几何与滤波这两根老梁至今还在承重。

前置知识

无（本站为全库提供时间轴参照，可在任意阶段阅读）。

核心概念

Marr 三层次（1982）：计算理论（算什么）、算法与表示（怎么算）、硬件实现（在哪算），为学科奠定「先问计算问题再谈实现」的方法论。
特征工程时代（约 1990–2012）：SIFT（Lowe 2004）、HOG、词袋、SVM；「人设计特征、机器学分类器」。
深度学习革命（2012–2020）：AlexNet（Krizhevsky，Hinton 组）引爆，ResNet（何恺明）、GAN、检测/分割全面刷新；「机器自己学特征」。
基础模型范式（2020 至今）：ViT（Dosovitskiy）、CLIP 图文对齐、SAM 可提示分割、自监督 DINOv2；「大模型 + 提示 + 适配」。
代表人物：Marr（理论奠基）、Lowe（SIFT）、Zhang（标定）、LeCun/Hinton/Bengio（深度学习 2018 图灵奖）、何恺明（ResNet/Mask R-CNN）、Fei-Fei Li（ImageNet 数据范式）。
流派余脉：几何视觉（SfM/SLAM）与学习视觉并非取代关系，今天在 SLAM、NeRF 中合流。

原理与机制

推动范式迁移的三条暗线：数据规模（小样本几何实验 → ImageNet 百万级 → 网络亿级图文对）、算力形态（工作站 → GPU → 大规模集群）、监督来源（人工标注 → 弱监督/自监督）。Marr 时代的「恢复三维场景」目标被深度学习时代「直接预测语义」部分绕过，但三维几何在自动驾驶与机器人时代重新成为中心议题——问题的钟摆式回归是本学科的重要规律。另一规律：工程可用性决定范式存活，SIFT 的免专利版本、OpenCV 的普及、YOLO 的工程化，都是「好方法 × 可用工具」的乘积效应。

公式与模型

本节不适用：学科脉络主题的核心是时间线与因果链，不引入新的数学模型；各阶段代表性公式见对应知识点（kp-002 卷积、kp-010 投影、kp-016 交叉熵、kp-021 注意力）。

图示

实例与案例

选型视角：SLAM 团队 2025 年仍以 ORB 特征 + 几何优化为基线，因为「免训练、可解释、有误差界」；内容平台则以 CLIP 类模型做冷启动分类——两个时代的工具在工业界并行服役。读论文视角：看到「新的检测头」，先问它在 kp-017 的 PR 曲线语言里改进了哪一段；看到「新的预训练」，先问它在 kp-015 的骨干接口上如何迁移。招聘视角：候选人能把「从 SIFT 到 SAM」讲成因果链而非名词罗列，通常意味着真正理解了任务本质。

常见误区

深度学习「推翻」了几何：没有推翻——自动驾驶感知栈里标定、对极几何、BA 仍是地基；被取代的是「手工特征描述子」这一层。
把 ImageNet 当起点：统计模式识别、神经认知机（Fukushima 的 Neocognitron 1980）都是前史，AlexNet 的成功站在数据（ImageNet）、算力（GPU）、算法（卷积/ReLU）三者同时到位的节点上。
用最新论文否定经典：Canny、Harris、卡尔曼滤波仍在产线上跑；工程选型的依据是场景约束，不是论文年份。
认为范式是单线更替：几何与学习、判别与生成、专用与基础模型，当前都是并存互补关系。

与其他知识点的关系

本站为全库提供时间轴：kp-007/008 属特征工程时代，kp-015/016 属深度学习革命，kp-021 属基础模型范式；kp-030/031 的伦理议题贯穿后两个时代。

自测题

Marr 三层次框架是什么？它留下了什么方法论遗产？

答案要点：计算理论/算法与表示/硬件实现；遗产是「先明确计算问题与约束，再谈算法与实现」，这一提问方式至今适用于评估任何新方法。

深度学习革命引爆的三个同时到位的条件是什么？

答案要点：大规模标注数据（ImageNet）、GPU 并行算力、可训练的深度卷积架构与训练技巧（ReLU、Dropout）。

几何视觉在学习时代被淘汰了吗？

答案要点：没有；被淘汰的是手工描述子环节，标定、对极几何、BA 仍是三维感知的地基，并在 SLAM/NeRF 中与学习合流。