Статья рассказывает об истории развития компьютерного зрения за 60 лет: от первых геометрических алгоритмов и ручных дескрипторов до революции глубокого обучения, трансформеров (ViT) и генеративных моделей, наделяющих машины пространственным мышлением.
Компьютерное зрение (Computer Vision) прошло путь от нишевой академической задачи к фундаментальной технологии, меняющей реальность. История развития делится на три волны: «проектное» зрение 1960–1980-х с жесткими геометрическими формулами, эру ручных дескрипторов (SIFT, HOG, метод Виолы-Джонса) 1990–2000-х и революцию глубокого обучения, начавшуюся с победы AlexNet на ImageNet в 2012 году.
Ключевым драйвером последнего десятилетия стал переход от сверточных нейросетей (CNN) к архитектуре трансформеров (Vision Transformers, ViT). Механизм сквозного внимания (self-attention) позволяет улавливать глобальный контекст и дальние взаимосвязи в изображении эффективнее локальных сверточных слоев. Это нашло применение в медицине для ранней диагностики по снимкам легких, в спутниковом мониторинге для анализа ландшафтов и в микроэлектронике для точного контроля качества печатных плат.
Вторым столпом прогресса стал генеративный бум: диффузионные модели и GAN перевели CV из категории «распознавания» в категорию «создания». Машины научились генерировать фотореалистичные изображения и видео по текстовым запросам. Третьим вектором стало мультимодальное обучение, объединяющее текст, код и визуальные данные в единых моделях (CLIP, GPT-4V), что приблизило системы к пониманию семантики сцены. Четвертым — развитие 3D-зрения и пространственного интеллекта (NeRF, Gaussian Splatting), позволяющих восстанавливать объемные сцены из 2D-снимков для робототехники, AR/VR и автономного вождения.
Сегодня компьютерное зрение перестало быть просто фильтрацией пикселей — оно обретает когнитивные способности: предсказание намерений пешеходов, понимание причинно-следственных связей и навигация в хаосе реального мира. Технология становится «глазами» и «мозгом» для автономных автомобилей, умных очков и промышленных роботов, формируя новую реальность, где машины не просто видят, а понимают пространство вокруг себя.
