计算机视觉进阶可视化实验室
从目标检测到 NeRF，8 大前沿方向的可交互 SVG 可视化。每个模块包含原理动画、参数控件与实时统计，帮助你直观理解深度视觉模型的核心机制。
目标检测 — YOLO / DETR
检测框回归、Anchor 先验框采样与 NMS 非极大值抑制的全流程可视化。观察候选框如何被置信度过滤、IoU 去重，最终保留高置信检测。
原理说明
YOLO 将图像划为网格，每格预测 B 个 Anchor 框的偏移与类别；DETR 则用 Transformer 直接输出集合预测。两者最终都经 NMS 去除重叠框：按置信度排序，依次保留 IoU 低于阈值的框。拖动阈值可实时看到候选框被过滤的过程。
语义分割 — FCN / U-Net / DeepLab
逐像素分类的可视化：编码器下采样提取特征，解码器上采样恢复分辨率，跳跃连接融合细节。观察像素如何被归入不同语义类别。
原理说明
FCN 首次用卷积替代全连接实现端到端像素预测；U-Net 以对称编解码 + 跳跃连接擅长医学小样本；DeepLab 引入空洞卷积扩大感受野并使用 ASPP 多尺度聚合。下方色块即每个像素的类别归属。
实例分割 — Mask R-CNN
RoI Align 将不同尺寸候选区对齐为固定网格，再逐像素生成实例掩码。每个实例拥有独立 ID 与掩码，区分同类的不同个体。
原理说明
Mask R-CNN 在 Faster R-CNN 基础上增加掩码分支。RoI Align 用双线性插值替代 RoI Pool 的量化取整，消除小目标错位；每个 RoI 输出 K×m×m 掩码（K 类），通过阈值化得到实例轮廓。
关键点检测 — 姿态估计 / PAF
热图回归定位人体关节，PAF（部分亲和场）向量场连接相邻关键点形成骨架。观察热图峰值如何转化为关键点坐标。
原理说明
热图回归对每个关键点输出一张概率图，取峰值即坐标。OpenPose 额外预测 PAF——连接两个关键点的 2D 向量场，通过匹配积分判定骨骼归属，可在多人场景下拼出完整骨架。
视觉 Transformer — ViT
图像切分为 Patch 序列，经线性嵌入加位置编码送入 Transformer。可视化注意力如何在不同 Patch 间流动聚合全局信息。
原理说明
ViT 将 H×W 图像切为 N 个 Patch，每个 Patch 线性投影为 token 并叠加位置编码。自注意力 QKᵀ/√d 计算全局依赖，多头机制关注不同子空间。点击 Patch 可查看其对全图的注意力分布。
光流估计 — FlowNet / 能量最小化
两帧间像素的运动向量场。FlowNet 端到端回归位移，遮挡区域由前向-后向一致性检测，能量最小化保证流场平滑。
原理说明
光流假设像素亮度恒定：I(x,t)=I(x+v,t+1)。FlowNet 用编解码 CNN 直接回归密集位移；经典变分法通过 数据项 + 平滑项 能量泛函迭代最小化。遮挡由前后向流不一致区域标定。
图像生成 — StyleGAN 潜空间
W 潜空间插值生成连续人脸，风格混合将粗 / 细层向量来自不同样本。观察潜在向量如何在流形上平滑过渡。
原理说明
StyleGAN 将 z∈Z 经映射网络变为 w∈W+，每个卷积层以 AdaIN 注入独立风格。风格混合 让不同层取自不同 w，可组合粗结构（姿态/脸型）与细纹理（发色/肤色）。W 空间比 Z 更线性、更利于插值。
3D 重建 — 多视图立体 / NeRF
多视图立体重建从 2D 视图恢复深度；NeRF 用 MLP 拟合辐射场，体密度积分渲染任意视角。观察体积的旋转与深度融合。
原理说明
MVS 对多视角图像做特征匹配 + 深度图融合得到点云/网格。NeRF 则用 MLP F(x,d)=(σ,c) 拟合体积密度与颜色，沿射线积分：C(r)=∫T(t)σc dt。拖动视角可实时旋转体渲染结果。