針對即將進入研究生階段、選擇計算機視覺（CV）方向的同學，建立扎實知識體系至關重要。以下為系統化學習建議：
核心基礎知識（必修）
- 數學基石： 線性代數（矩陣運算、特徵值/向量）、概率論與統計（貝葉斯、高斯分布）、優化理論（梯度下降、凸優化）、多元微積分。
- 信號處理： 圖像濾波、頻域分析（傅里葉/小波變換）、採樣定理。
- 編程工具： Python (NumPy, OpenCV, PyTorch/TensorFlow)、C++ (高性能部署)、Linux 環境與 Git。
經典教材推薦
- 《Computer Vision: Models, Learning, and Inference》 (Simon Prince) — 理論與模型結合佳。
- 《Computer Vision: Algorithms and Applications》 (Richard Szeliski) — 免費電子版，覆蓋面廣。
- 《Multiple View Geometry in Computer Vision》 (Hartley & Zisserman) — 幾何視覺聖經。
- 《Deep Learning》 (Goodfellow, Bengio, Courville) — 深度學習理論基石。
研究方向選擇與實踐
- 2D 視覺： 目標檢測、分割、分類、關鍵點檢測 — 閱讀 CVPR/ICCV/ECCV 近三年頂會論文，復現經典模型（YOLO 系列、Mask R-CNN、Transformer 視覺模型）。
- 3D 視覺： 多視圖幾何、SLAM、深度估計、點雲處理 — 學習 ORB-SLAM3、Colmap、Open3D。
- 生成式視覺： Diffusion Models、GAN、NeRF — 關注 Stable Diffusion、ControlNet、3D Gaussian Splatting 等前沿。
關鍵建議
- 動手復現： 紙上得來終覺淺，必須親自跑通代碼，調試細節。
- 關注頂會： 訂閱 CVPR/ICCV/ECCV/NeurIPS 論文列表，每週精讀 1-2 篇。
- 參與開源/比賽： 為開源庫貢獻代碼、參加 Kaggle/Tianchi 比賽積累工程經驗。
- 英語讀寫： 習慣閱讀英文論文、撰寫技術文檔，為發表論文打基礎。
計算機視覺領域迭代極快，保持持續學習與工程落地能力，比單紫堆砌理論更重要。
