👁️ 電腦視覺 (Computer Vision) 資源總整理 | YOLO・AOI・OCR・Diffusion

作者：TonTon Huang Ph.D. ｜更新：2026-07-28

本頁為電腦視覺各主題的快速導覽入口，涵蓋異常檢測、目標偵測、圖像分割、OCR、擴散模型、虛擬數字人與 DeepFake 偵測。詳細論文解析、模型比較與實戰踩坑請前往完整版：

前往完整版資源彙整 → GitHub ⭐ Watch

工業 AOI YOLO 生態系 SAM 分割 OCR & Document AI Diffusion & 影片生成 Digital Human

主題分類 Topics

🏭

Anomaly Detection

工業 AOI 異常檢測。涵蓋零樣本 (WinCLIP、CoPS、VisualAD) 與少樣本 (OneNIP、FastRef、SubspaceAD) 前沿方案，CVPR 2026 精選速覽。

#零樣本 #AOI #PatchCore #CLIP

🎯

Object Detection

YOLO 家族生態系（v8/v9/v10/v11）、開放詞彙 OV-DINO、小目標偵測、多視角 3D 追蹤與即時邊緣運算方案。

#YOLOv11 #OpenVocabulary #EdgeAI #3D

✂️

Segmentation

SAM 家族（SAM 3、SAM 2、SAM3-I）、零樣本分割、醫療影像特化、弱監督與跨視角分割最新進展。

#SAM3 #ZeroShot #醫療影像 #弱監督

📖

OCR & Document AI

高精度 OCR（PaddleOCR v6、Chandra、MinerU 2.5-Pro）、PDF 解析清洗、RAG 前處理管線與 LayoutLM 家族。

#PaddleOCR #MinerU #RAG前處理 #LayoutAI

🎨

Diffusion Model

文生圖（Flux、SANA）、影片生成（Wan-Video、SkyReels V2）、ComfyUI 工具鏈與工業瑕疵資料生成方案。

#Flux #SANA #影片生成 #ComfyUI

🧑‍💻

Digital Human

語音驅動虛擬人（SoulX-FlashTalk、EchoMimic V3、Live Avatar）、即時互動系統與全離線部署方案。

#LipSync #RealTime #StreamGeneration

🖼️

Image Recognition

ViT、Swin Transformer、EfficientNetV2 基礎架構，以及 EUPE 通用感知編碼器與 Sapiens2 人體視覺大模型。

#ViT #SwinTransformer #基礎架構

🕵️

DeepFake Detection

多重注意力機制、精確幾何特徵與 3D 臉部解構三大 CVPR 2021 經典防禦架構，防範 AIGC 換臉偽造。

#換臉偵測 #資安防禦 #CVPR2021

實戰選型建議

✅ AOI 零樣本冷啟動：無缺陷樣本 → 優先評估 CoPS / LAVIDA / VisualAD；有少量樣本 → 看 FastRef / SubspaceAD / OneNIP；需跨品類統一部署 → 看 Uni-RCM。

✅ YOLO 選型：台灣原生首選 YOLOv9（中研院王建堯）高參數利用率；生態最完整選 YOLOv8/v11；邊緣運算無後處理選 YOLOv10（清華，無 NMS）。

✅ OCR / RAG 前處理：企業私有化知識庫 → MinerU 2.5-Pro + PaddleOCR-VL-1.6；高併發雲端服務 → Falcon OCR (0.3B, 5825 tok/s)；多語言財報/論文 → Chandra OCR 2。

⚠️ 選型踩坑：DINOv3 在可見光 RGB 表面缺陷上「凍結骨幹躺贏」是偽命題，需全參數微調才有效；X-ray 等強模態偏移任務反而 ImageNet 預訓練更穩健。詳見 Rethinking Transfer Learning 論文。

常見問題 FAQ

Q1：工業 AOI 瑕疵樣本太少怎麼辦？

採用基於 PatchCore 的無監督異常檢測方案，僅需約 50–100 張「正常樣本」即可建立基準，檢出率可達 98% 以上。或導入 TF-IDG / MAGIC 生成合成瑕疵資料進行資料增廣。

Q2：邊緣運算 (Edge AI) 該選哪個物體偵測模型？

首選 YOLOv11 或 YOLOv9。Jetson Nano 級設備上 INT8 量化後可維持 30 FPS 以上即時偵測；需無 NMS 超低延遲則選 YOLOv10。

Q3：如何快速標註大量圖像分割資料集？

導入 LuoHuaLabel（SAM 3 驅動）作為輔助工具，點擊目標即可自動生成邊界，實測可節省 85% 以上人工框選時間，支援 OBB 旋轉框與 YOLO 格式匯出。

Q4：傳統 OCR 無法處理複雜表格怎麼解？

改用 MinerU 2.5-Pro 或 PaddleOCR-VL-1.6 進行端到端解析，版面分析與文字提取的綜合準確率可達 96% 以上，適合作為 RAG 知識庫前處理管線。

Q5：虛擬數字人的口型延遲可以多低？

結合 3D Gaussian Splatting 與輕量化語音驅動模型（如 SoulX-LiveAct），端到端口型同步延遲已可穩定控制在 50ms 以內；SoulX-FlashTalk 可達 0.87 秒極速啟動 + 32 FPS 即時串流。

👁️

查看完整論文解析與選型指南

包含 CVPR 2026 精選速覽、各模型深度技術解讀、GitHub 連結與推薦場景說明。

前往 Deep Learning 101 完整版 →

返回 AI 文章總覽 HuggingFace GitHub Paper List

👁️ 電腦視覺 (CV) 資源總整理

最新快訊 Latest Updates

主題分類 Topics

實戰選型建議

常見問題 FAQ

查看完整論文解析與選型指南