Bu yazıda, neredeyse tüm görsel görevleri tekdüze bir şekilde eğitmek ve gerçekleştirmek için tek bir çerçeve veya yöntem sağlamak amacıyla Bilgisayarlı Görmenin Dört Yasasına bölünebilecek olan Görsel Görevler için Birleşik bir Yasa öneriyoruz. Başlangıç noktamız bir ilham ve hipotezdir: Eğer dünya bilgisi, Dünya Anlık Görüntüleri adını verdiğimiz görüntüye kodlanıyorsa, o zaman görüntü işleme dünya işlemedir ve görüntü oluşturma da Dünya Anlık Görüntüsü oluşturmadır. Ayrıca, tüm görsel ve görselleştirme görevleri oluşturma görevleri olarak yeniden formüle edilebilirse, o zaman birleşik bir yöntem olan Dünya Anlık Görüntü Modelleri (WSM'ler), büyük dil modellerinin büyük ölçüde birleşik doğal dil işlemeye sahip olması gibi, görsel görevlerin büyük çoğunluğunu gerçekleştirebilir.
- Bu yazıda, neredeyse tüm görsel görevleri tekdüze bir şekilde eğitmek ve gerçekleştirmek için tek bir çerçeve veya yöntem sağlamak amacıyla Bilgisayarlı Görmenin Dört Yasasına bölünebilecek olan Görsel Görevler için Birleşik bir Yasa öneriyoruz.
- Başlangıç noktamız bir ilham ve hipotezdir: Eğer dünya bilgisi, Dünya Anlık Görüntüleri adını verdiğimiz görüntüye kodlanıyorsa, o zaman görüntü işleme dünya işlemedir ve görüntü oluşturma da Dünya Anlık Görüntüsü oluşturmadır.
- Ayrıca, tüm görsel ve görselleştirme görevleri oluşturma görevleri olarak yeniden formüle edilebilirse, o zaman birleşik bir yöntem olan Dünya Anlık Görüntü Modelleri (WSM'ler), büyük dil modellerinin büyük ölçüde birleşik doğal dil işlemeye sahip olması gibi, görsel görevlerin büyük çoğunluğunu gerçekleştirebilir.
Bu yazıda, neredeyse tüm görsel görevleri tekdüze bir şekilde eğitmek ve gerçekleştirmek için tek bir çerçeve veya yöntem sağlamak amacıyla Bilgisayarlı Görmenin Dört Yasasına bölünebilecek olan Görsel Görevler için Birleşik bir Yasa öneriyoruz.
02 Özet
Bu yazıda, neredeyse tüm görsel görevleri tekdüze bir şekilde eğitmek ve gerçekleştirmek için tek bir çerçeve veya yöntem sağlamak amacıyla Bilgisayarlı Görmenin Dört Yasasına bölünebilecek olan Görsel Görevler için Birleşik bir Yasa öneriyoruz. Başlangıç noktamız bir ilham ve hipotezdir: Eğer dünya bilgisi, Dünya Anlık Görüntüleri adını verdiğimiz görüntüye kodlanıyorsa, o zaman görüntü işleme dünya işlemedir ve görüntü oluşturma da Dünya Anlık Görüntüsü oluşturmadır. Ayrıca, tüm görsel ve görselleştirme görevleri oluşturma görevleri olarak yeniden formüle edilebilirse, o zaman birleşik bir yöntem olan Dünya Anlık Görüntü Modelleri (WSM'ler), büyük dil modellerinin büyük ölçüde birleşik doğal dil işlemeye sahip olması gibi, görsel görevlerin büyük çoğunluğunu gerçekleştirebilir. Bu makale, bu yasaları 1000'den fazla eğitilmiş ve değerlendirilmiş görsel görevde (farklı girdi-çıktı eşlemeleriyle tanımlanır) doğrular ve gelecekteki görsel görev araştırmaları ve uygulamaları için birleşik bir eğitim çerçevesi sunar.
Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.
In this paper, we propose a Unified Law for Visual Tasks, which could be further divided into Four Laws of Computer Vision, with the goal of enabling a single framework or method to uniformly train on and perform nearly all visual tasks. Our starting point is an inspiration and hypothesis: if the world information is encoded into image, which we call World Snapshots, then image processing is world processing, and image generation is World Snapshot generation. Furthermore, if all visual and visualization tasks can be reformulated as generation tasks, then a unified method, World Snapshot Models (WSMs), can perform the vast majority of visual tasks, much as large language models have largely unified natural language processing. This paper validates these laws across more than 1,000 trained and evaluated visual tasks (defined by distinct input-output mappings) and presents a unified training framework for future visual-task research and applications.
03 PDF
Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.
04 Kaynak göster
@article{fang2026unified,
title = {Unified Law for Visual Tasks (The Four Laws of Computer Vision)},
author = {Sen Fang and Yalin Feng and Yancheng Zhang and Yanxin Zhang and Zonglin Lyu and Hongbin Zhong and Liwei Che and Rui Wu and Chen Chen and Dimitris N. Metaxas},
journal = {arXiv preprint arXiv:2611.24917},
year = {2026},
url = {https://arxiv.org/abs/2611.24917}
}
Fang, S., Feng, Y., Zhang, Y., Zhang, Y., Lyu, Z., Zhong, H., Che, L., Wu, R., Chen, C., & Metaxas, D. N. (2026). Görsel Görevler için Birleşik Yasa (Bilgisayarlı Görmenin Dört Yasası). arXiv. https://arxiv.org/abs/2611.24917
Yorumlar 0
Henüz yorum yok. İlk yorumu siz yazın.
Yorum yazın