美国田纳西州（2024 年 2 月 24 日）——计算机视觉与模式识别会议（CVPR），作为全球计算机视觉与人工智能领域最具影响力的顶级学术盛会，将于 2025 年 6 月 11 日至 15 日在美国田纳西州盛大召开。届时，来自清华大学、牛津大学、加州大学圣克鲁兹分校（UCSC）、加州大学洛杉矶分校（UCLA）、中国科学院等全球顶尖高校及科研机构的专家学者将齐聚一堂，共同举办 CVPR 首届计算机视觉推理扩展研讨会（Test-time Scaling in Computer Vision, ViSCALE）。本次研讨会聚焦于 Test-time Scaling（推理时计算扩展，TTS）这一前沿技术，旨在深入探讨其如何赋能计算机视觉模型、算法及应用，为计算机视觉的未来发展注入新的活力。
人工智能新引擎：Test-time Scaling 引领推理革命
近年来，人工智能领域取得了令人瞩目的进展，尤其是在大语言模型（LLM）方面。OpenAI 的 o1/o3 和 DeepSeek-R1 等模型，通过 Test-time Scaling 技术，在复杂任务上的推理能力得到了显著提升，从而引领了新一轮人工智能浪潮。Test-time Scaling 的核心思想是在模型推理阶段，根据任务的复杂程度动态调整计算资源的分配，从而在保证效率的同时，最大限度地提升模型的性能。
具体而言，Test-time Scaling 允许模型在面对简单任务时，使用较少的计算资源进行快速推理；而在面对复杂任务时，则分配更多的计算资源，进行更深入的分析和推理。这种动态调整机制使得模型能够更好地适应不同类型的任务，从而实现更高的准确性和鲁棒性。
计算机视觉的未来：TTS 赋能感知、理解与决策
Test-time Scaling 技术在大语言模型领域的成功应用，为计算机视觉的未来发展带来了巨大的潜力和广阔前景。通过在推理阶段分配更多的计算资源，视觉模型也能够在感知、理解、推理和决策等复杂任务中实现更高的准确性、鲁棒性和可解释性。
1. 提升感知能力
在计算机视觉领域，感知是模型理解世界的基础。通过 Test-time Scaling，视觉模型可以利用更多的计算资源来处理图像或视频数据，从而更准确地识别图像中的物体、场景和事件。例如，在自动驾驶系统中，车辆需要准确地感知周围的环境，包括行人、车辆、交通信号灯等。通过 TTS，车辆可以利用更多的计算资源来分析摄像头捕捉到的图像，从而更准确地识别这些物体，并做出相应的决策。
2. 增强理解能力
除了感知能力，理解能力也是计算机视觉模型的重要组成部分。通过 Test-time Scaling，视觉模型可以利用更多的计算资源来理解图像或视频数据中的语义信息，从而更好地理解图像或视频的内容。例如，在图像描述任务中，模型需要理解图像中的物体、场景和关系，并生成一段描述图像内容的文字。通过 TTS，模型可以利用更多的计算资源来分析图像，从而更准确地理解图像的内容，并生成更准确、更生动的描述。
3. 强化推理能力
推理能力是指模型根据已有的知识和信息，推断出新的结论或信息的能力。通过 Test-time Scaling，视觉模型可以利用更多的计算资源来进行复杂的推理，从而更好地解决各种视觉任务。例如，在视觉问答任务中，模型需要根据图像的内容和提出的问题，推断出正确的答案。通过 TTS，模型可以利用更多的计算资源来分析图像和问题，从而更准确地推断出答案。
4. 优化决策能力
决策能力是指模型根据已有的信息和推理结果，做出最佳决策的能力。通过 Test-time Scaling，视觉模型可以利用更多的计算资源来进行更全面的分析和评估，从而做出更明智的决策。例如，在机器人导航任务中，机器人需要根据周围的环境信息和目标位置，做出最佳的导航决策。通过 TTS，机器人可以利用更多的计算资源来分析环境信息，从而更准确地规划路径，并做出更安全的导航决策。
多模态融合：TTS 拓展计算机视觉边界
更进一步，当 Test-time Scaling 拓展至多模态基础模型，这将促进更复杂的多模态理解和推理能力，以及更高质量的内容生成，进一步推动计算机视觉乃至多模态技术的发展。
1. 多模态理解与推理
多模态理解是指模型能够同时理解来自不同模态的数据，例如图像、文本、音频等。通过 Test-time Scaling，多模态模型可以利用更多的计算资源来融合来自不同模态的信息，从而更全面、更深入地理解世界。例如，在视频理解任务中，模型需要同时理解视频中的图像和音频信息，从而更好地理解视频的内容。通过 TTS，模型可以利用更多的计算资源来融合图像和音频信息，从而更准确地理解视频的内容，并进行更高级的推理。
2. 高质量内容生成
多模态内容生成是指模型能够根据给定的输入，生成包含多种模态的内容，例如图像、文本、音频等。通过 Test-time Scaling，多模态模型可以利用更多的计算资源来生成更高质量的内容，从而更好地满足用户的需求。例如，在图像生成任务中，模型可以根据一段文字描述，生成一张符合描述的图像。通过 TTS，模型可以利用更多的计算资源来分析文字描述，从而生成更符合描述、更逼真的图像。
ViSCALE 研讨会：汇聚顶尖学者，共话技术未来
本次 ViSCALE 研讨会旨在汇聚全球顶尖的学者，共同推动 Test-time Scaling 技术在计算机视觉中的创新应用，探索如何突破现有技术的瓶颈，推动视觉模型在复杂任务中的性能提升。研讨会将为研究者提供一个交流思想、分享成果、探讨未来的平台，共同推动计算机视觉领域的发展。
征稿信息：诚邀研究者提交论文
ViSCALE 研讨会诚挚邀请研究者提交论文，共同探索 Test-time Scaling 技术对于计算机视觉领域发展的影响。研讨会关注的主题包括但不限于：
- TTS 在计算机视觉中的理论分析与应用： 深入研究 TTS 的理论基础，探索其在各种计算机视觉任务中的应用，例如图像分类、目标检测、语义分割等。
- TTS 在多模态理解模型和生成模型中的扩展应用： 研究如何将 TTS 应用于多模态模型，从而提升模型的多模态理解和生成能力，例如视频理解、图像描述、多模态对话等。
- 针对视觉模型的高效算法设计，以支持测试时计算扩展： 设计高效的算法，使得视觉模型能够在推理阶段动态调整计算资源的分配，从而在保证效率的同时，最大限度地提升模型的性能。
- TTS 带来的可信问题，包括鲁棒性、安全性与可解释性： 研究 TTS 可能带来的鲁棒性、安全性与可解释性问题，并提出相应的解决方案，例如对抗攻击、隐私保护、模型解释等。
- TTS 在具身智能、自动驾驶等场景中的应用： 探索 TTS 在具身智能、自动驾驶等实际应用场景中的潜力，例如机器人导航、自动驾驶决策、智能监控等。
- TTS 所带来的新挑战与解决方案： 探讨 TTS 可能带来的新的挑战，并提出相应的解决方案，例如计算资源管理、模型优化、任务调度等。
研讨会特别鼓励提交新颖观点和创意思路的研究，将会接受多种类型的投稿：
- 长摘要（Extended Abstracts）： 1 页，用于介绍研究的初步想法和进展。
- 短文（Short Papers）： 4 页，用于介绍研究的完整方法和结果。
- 长文（Long Papers）： 8 页，用于介绍研究的深入分析和实验验证。
研讨会将评选出最佳论文、最佳论文提名等奖项，并奖励以丰厚奖金！
投稿方式与截止日期
- 提交方式： OpenReview 提交：https://openreview.net/group?id=thecvf.com/CVPR/2025/Workshop/ViSCALE
- 截止日期： 2025 年 3 月 15 日（AoE）
展望未来：Test-time Scaling 引领计算机视觉新纪元
Test-time Scaling 作为一项前沿技术，正在为模型推理增强带来革命性的变化。随着计算资源的不断提升和算法的不断优化，TTS 将在计算机视觉领域发挥越来越重要的作用，推动计算机视觉技术的发展，并为人工智能的应用带来更广阔的空间。
我们期待在 CVPR 2025 的 ViSCALE 研讨会上，与全球顶尖的学者共同探讨 Test-time Scaling 技术的未来发展，共同推动计算机视觉领域的创新与进步。欢迎大家积极参与，踊跃投稿并参与讨论！
详细信息参见： https://viscale.github.io/
演讲嘉宾与组织委员会信息将在后续公布。
关于 CVPR：
计算机视觉与模式识别会议（CVPR）是计算机视觉领域最顶级的国际学术会议之一，每年吸引来自世界各地的数千名研究人员、工程师和学生参加。CVPR 涵盖了计算机视觉领域的各个方面，包括图像识别、目标检测、图像分割、三维重建、视频分析、机器人视觉等。CVPR 的论文质量高、影响力大，是计算机视觉领域的重要风向标。
关于 ViSCALE 研讨会：
计算机视觉推理扩展研讨会（ViSCALE）是 CVPR 2025 的一个研讨会，旨在探讨 Test-time Scaling 技术在计算机视觉中的应用。ViSCALE 研讨会汇聚了来自全球顶尖高校和科研机构的专家学者，共同探讨 TTS 的理论基础、算法设计、应用场景和未来发展方向。ViSCALE 研讨会将为研究者提供一个交流思想、分享成果、探讨未来的平台，共同推动计算机视觉领域的发展。
关键词： CVPR 2025, ViSCALE, 计算机视觉, Test-time Scaling, 推理扩展律, 人工智能, 机器学习, 深度学习, 多模态, 论文征集, 研讨会.
Views: 0