CVPR：理解图像意味着理解世界

某中心零售部门高级首席科学家Aleix M. Martinez认为，计算机视觉研究仅仅触及了表面。自1990年代末首次参加计算机视觉与模式识别会议（CVPR）以来，他见证了深度学习如何彻底改变计算机视觉领域。

认知复杂性挑战

Martinez指出，早期计算机视觉问题已基本解决，但更丰富复杂的问题随之出现。通过认知科学研究发现，人类对图像的理解依赖上下文知识，例如足球运动员庆祝进球的场景，需要理解足球规则、团队对抗等概念。现有计算机视觉方法尚未实现这种认知复杂度。

研究还揭示，面部血流变化是情感识别的重要信号——人体释放肽类物质（如睾酮和皮质醇）会改变血液流动，导致面部颜色脉动。这种人类无意识使用的信号，直到发表在《美国国家科学院院刊》才被认知。

可视化购物创新

在某中心，Martinez团队利用计算机视觉提升购物体验。2020年推出的"可购物图像"功能，允许用户点击房间图像中的物体获取相关产品信息。计算机视觉算法识别图像中的相似产品，如同实体商店的展厅浏览体验。

2022年，该功能扩展到产品详情页的装饰性图像（如扶手椅照片中的灯具）。团队正开发结合计算机视觉和产品目录规格的算法，自动添加指示产品尺寸的方向箭头。同时探索使用生成对抗网络（GAN）合成虚拟展厅，扩展可购物内容。

生成模型的未来挑战

虽然生成模型擅长生成单对象图像（如人脸、动物、汽车），但Martinez关注更复杂的场景生成：能否生成包含多对象、多活动的真实场景？能否描绘有意义的交互行为？能否描述动作（动词）而不仅是物体（名词）？能否编辑图像创建展示视角变化或光照变化的视频？这些科学界尚未完全解决的问题，正是下一步研究的重点。

“当机器学习能达到人类智能水平？这是个无关紧要的问题。因为我们甚至不知道人类智能是什么。"——Aleix M. Martinez