计算机视觉的未来方向：无监督学习与生成模型

ECCV：计算机视觉的未来方向？

欧洲计算机视觉会议（ECCV）于周日开幕，与国际计算机视觉会议（ICCV）交替举办。原定今年在格拉斯哥举行的ECCV，与今年夏天大多数主要计算机科学会议一样，转为线上举行。

计算机视觉的现状

Thomas Brox是亚马逊学者，也是弗莱堡大学的计算机科学教授，担任今年ECCV的程序主席。他表示：“过去，ECCV更偏向数学和3D几何，而CVPR更偏向模式识别。但现在，由于深度学习的普及，两者越来越相似。”

Brox第一次参加ECCV是在2004年，当时他还是研究生。到了2014年、2015年，深度学习革命席卷计算机视觉领域，他回忆道：“那时许多计算机视觉问题突然变得简单了。你随便用一个网络，性能就能远超以前的方法。”

然而，如今情况发生了变化：“现在大家都在调整网络的细节、训练方法、数据收集和呈现方式，以获得微小的改进。基准测试的进展仍然较快，但概念上的进展相对缓慢。过去，当概念进展停滞时，基准测试的进展最终也会停止。”

未来的突破方向

Brox认为，未来的突破可能来自以下几个方向：

1. 无监督学习：当前的机器学习主要依赖标注数据（监督学习），但标注数据可能限制模型的潜力。无监督学习通过未标注数据训练模型，可能带来新的突破。
2. 生成模型：与当前主流的判别模型不同，生成模型试图学习变量之间的概率分布，从而构建世界的统计模型。生成模型不仅能分类，还能解释数据，可能提供更鲁棒的模型。
3. 深度学习与几何学的结合：Brox正在研究如何将深度学习与传统的3D几何方法结合，尤其是利用物体运动信息推断其3D形状。他认为，运动信号中包含大量未被充分利用的信息，结合几何学和深度学习的优势可能带来新的进展。

挑战与机遇

Brox指出，新概念在初期往往不如经过优化的现有方法表现好，就像深度学习早期一样。研究者需要坚持并不断改进，才能使其达到业界领先水平。

他总结道：“深度学习与几何学的结合非常有前景。你不能只用深度学习解决所有问题，而是需要将经典几何、数学与深度学习的模式识别能力结合起来。”