2025年是计算机视觉领域的分水岭，研究重心从封闭数据集的精度竞赛，转向了构建通用基础模型、理解物理规律及实现开放世界零样本泛化。本文系统梳理了自监督学习、多模态分割、底层架构等核心领域的重大技术突破及其背后的逻辑。
智能速览
计算机视觉从单一感知转向多模态认知与物理交互。
DINOv3通过克拉姆锚定技术解决密集预测特征坍缩问题。
SAM3实现统一分割，支持语言提示的跨帧追踪。
YOLOv13与RF-DETR在目标检测领域卷积与Transformer并行发展。
Vision Mamba等状态空间模型在处理高分辨率图像上效率凸显。
3D视觉从几何重构转向语义几何一体化，VGGT是代表。
精华内容
2025年的计算机视觉不再局限于图像识别，而是向理解物理世界和实现通用智能的关键一步迈进，涌现出多项颠覆性技术。
自监督学习新高度
自监督学习在2025年跨越了从全局语义到高精度密集特征的鸿沟。Meta AI推出的DINOv3是这一进展的典型代表，它拥有高达70亿参数，并在17亿张互联网图像上完成预训练。
其核心创新是引入克拉姆锚定正则化技术，通过约束特征图的克拉姆矩阵，有效解决了大规模训练中局部特征语义退化的问题，维持了像素级特征的清晰度与判别力。
得益于此，DINOv3在无需下游微调的情况下，其在ADE20K语义分割和COCO目标检测任务中的表现，超越了许多以往的全监督专业模型。
多模态分割统一化
多模态视觉分割演进至深层次的概念分割。Meta发布的SAM3模型集检测、分割与跨帧追踪于一体，拥有约8.48亿参数。
技术上，SAM3引入了“存在令牌”机制，通过“存在头”先判断查询概念在场景中是否存在，大幅降低了假阳性率，使模型能精准区分细微差异的概念。
它定义了提示式概念分割（PCS）新范式，能理解复杂的自然语言短语并一次性分割出所有符合描述的实例。在视频任务中，SAM3通过传播“掩码片”和时间去歧义策略，有效防止了长时间追踪的身份漂移。
检测模型两条路
目标检测领域呈现卷积与Transformer架构并行发展的态势。YOLOv13证明了卷积网络的活力，其引入HyperACE技术捕捉高阶相关性，并通过动态任务路由实现简单场景快推理、复杂场景深挖掘。实测显示，YOLOv13-N在保持低延迟的同时，mAP比前代提升3.0%。
另一条路线上，端到端实时Transformer走向成熟。Roboflow发布的RF-DETR成为首个在RF100-VL基准上超过60 mAP的实时模型，它彻底抛弃了NMS和锚框，在T4 GPU上实现了仅4.52ms的推理延迟。
底层架构新势力
在底层架构上，状态空间模型（SSM）在处理高分辨率图像时展现出显著效率优势。Vision Transformer（ViT）的注意力机制二次计算复杂度限制了其扩展性，而以Mamba为代表的SSM架构则提供了线性复杂度的解决方案。
CVPR 2025上的Spatial-Mamba是突破性进展，它通过“结构感知状态融合”方程，利用扩张卷积捕获二维空间结构，仅需单向扫描即可超越传统四向扫描模型，在ImageNet-1K上的Top-1准确率达到82.5%。
迈向开放世界与3D认知
语义分割彻底告别固定类别标签，向开放世界理解进化。OpenWorldSAM将轻量级视觉语言模型集成到SAM2中，赋予其处理任意自然语言描述的能力，在ADE20K基准上取得了60.4 mIoU的成绩。
3D视觉则从“几何重构”转向“语义几何一体化”。CVPR 2025最佳论文VGGT证明了前馈神经网络可直接从数百视图中高效推断出所有三维场景属性，标志着三维视觉从计算问题转向学习推理问题。BrickGPT则通过物理感知回滚机制，让视觉模型具备了对物理规律的验证能力。
2025年计算机视觉的演进呈现出三大核心特征：大一统架构的成熟、物理与认知能力的觉醒、开放世界的零样本适应。技术突破正将视觉系统从被动“观察者”转变为主动“参与者”，未来在具身智能与世界模型的融合下，将在自动驾驶、机器人等领域发挥决定性作用。
