2012–2015
01 · CNN 规模化
这一阶段要解决什么？
如何让深度网络在大规模图像上稳定学习？
ImageNet Classification with Deep Convolutional Neural Networks
深度 CNN 视觉范式的起点。
Deep Residual Learning for Image Recognition
残差学习解决深层网络优化问题。
阶段结论
AlexNet 确立深度 CNN 优势，ResNet 通过残差连接打开更深网络。
多模态 · 已策展
图像模型演进：从 CNN 到多模态生成
CNN → ResNet → ViT → CLIP → Diffusion
从局部归纳偏置、深层网络训练，一直走到视觉 Transformer 和文本条件生成。
- 适合读者
- 希望理解视觉架构为何从 CNN 走向 Transformer 与扩散模型的读者
- 学习规模
- 4 阶段 · 6 节点 · 约 7 小时
- 更新
- 2026-08-12
-
-
2020
02 · Vision Transformer
这一阶段要解决什么？
视觉是否必须依赖卷积的局部归纳偏置？
An Image is Worth 16x16 Words
将图像切成 patch 并直接使用 Transformer。
阶段结论
ViT 证明大数据与规模下，纯 Transformer 也能成为视觉主干。
-
2021
03 · 图文对齐
这一阶段要解决什么？
如何让视觉概念与开放文本语义对齐？
阶段结论
CLIP 用对比学习建立可迁移的图文表征。
-
2020–至今
04 · 扩散生成
这一阶段要解决什么？
如何同时提升生成质量、稳定性与文本可控性？
Denoising Diffusion Probabilistic Models
现代扩散模型的基础论文。
图像模型演进路线阅读指南
对照 CNN、ViT 与 Diffusion 的学习路径。
阶段结论
DDPM 与潜空间扩散成为现代图像生成的核心路线。