簡介

Image translation 是一種深度學習的任務，其目標是將圖像從一種狀態（或”風格”）轉換為另一種狀態，同時保持原始圖像的基本結構和意義。這可以包括各種不同的轉換，例如改變圖像的色調、風格、光線效果，或者從一種類型的圖像（例如夜晚的風景）轉換為另一種類型的圖像（例如同一風景的白天版本）。

一種著名的圖像翻譯模型是 CycleGAN，它能夠在兩個圖像領域之間學習來回的映射，而不需要成對的訓練樣本。舉例來說，CycleGAN 可以將馬的圖片轉換為斑馬的圖片，反之亦然。

另一種重要的圖像翻譯技術是 Pix2Pix，這是一種條件對抗網絡 (Conditional Generative Adversarial Network, cGAN) ，能夠實現從一種類型的圖像轉換為另一種類型的圖像。不過與 CycleGAN 不同的是，Pix2Pix 需要配對的輸入/輸出圖像來訓練。

圖像翻譯有多種可能的應用，包括風格轉換、超解析度、影像修復、將草圖或語義分割圖轉換為寫實圖片等。

AOI

自動化光學檢測（Automated Optical Inspection，縮寫為 AOI）是一種利用光學技術和機器視覺系統進行自動檢測和檢測缺陷的過程。它通常應用於製造業中，用於檢查和驗證產品的品質、精度和一致性。

自動化光學檢測通常使用高解析度的攝像頭或光學感測器來捕捉被檢測物體的影像或光學特徵。這些影像或特徵會通過機器視覺系統進行分析和處理，使用預先設定的演算法和模型來檢測物體上的缺陷、錯誤或不一致之處。

自動化光學檢測可應用於各種不同的製造過程和產品，例如電子零件、半導體元件、印刷電路板（PCB）、車輛零部件、玻璃、塑膠和金屬制品等。它可以檢測和識別諸如缺陷、錯誤焊接、瑕疵、異常、尺寸偏差等問題。

簡介

電腦視覺（Computer Vision）、機器視覺（Machine Vision）和機器人視覺（Robot Vision）是三個相關但有所不同的概念。

簡介

電腦系統的運算類型可以依照不同的維度進行分類，例如依照處理模式、運算的規模，以及運算的目的等。

簡介

影像配對是一種數字影像處理的技術，用於將兩張或多張同一場景的影像對齊。這些影像可能來自不同的時間、不同的視角或由不同的感應器拍攝。影像配對的目的是找到一個轉換函數或變換參數，可以將不同影像之間的特徵點或結構對齊，使它們在空間上對應到相同的位置。

簡介

影像分割是一種計算機視覺技術，涉及將圖像分成多個區塊或區域。影像分割的目標是為圖像中的每個像素分配一個標籤或類別，將相似的像素分組在一起。

影像分割是各種計算機視覺任務的基礎步驟，包括物體識別、物體追蹤、圖像編輯和場景理解。通過識別和分離不同的對象或感興趣區域，它在從圖像中提取有意義的信息方面起著關鍵作用。

簡介

神經導航（Neuronavigation）是一種在神經外科手術中使用的技術，旨在提供實時的三維解剖圖像和導航資訊，以引導醫生在患者大腦或神經結構中進行準確的手術操作。

簡介

多模態學習（Multi-Modal Learning）是一種機器學習方法，旨在處理和結合來自不同模態（如圖像、語音、文本等）的數據來源。它利用多種數據模態的信息來增強模型的學習和表示能力，從而提取更全面、更豐富的特徵。

傳統的機器學習方法通常僅關注單一模態的數據，例如僅使用圖像或僅使用文本來進行學習和預測。然而，現實世界中的許多應用情境涉及到多種模態的數據，例如在視頻中同時存在圖像和語音信息，或者在社交媒體中同時存在文本和圖像內容。多模態學習的目標就是利用這些不同模態之間的關聯和相互作用，提供更全面和准確的學習和預測。

簡介

增量學習（Incremental Learning）是一種機器學習的方法，其中模型能夠持續地從新數據中學習和更新，而無需重新訓練整個模型。它允許模型在接收到新數據時進行適應和增量更新，以保持對新樣本的準確性和預測能力。傳統的機器學習方法通常需要重新訓練整個模型，每次有新數據進入時，都需要使用先前的數據和新數據一起重新訓練模型。然而，在某些情況下，重新訓練整個模型可能是耗時且資源密集的。增量學習的目標是在不重新訓練整個模型的情況下，利用新數據進行快速更新和改進。

簡介

轉移學習（Transfer Learning）是一種機器學習的技術，它將在一個任務上訓練好的模型的知識和經驗轉移到另一個相關任務上。這種方法可以加速和改善在新任務上的學習，尤其是當新任務的訓練數據有限時。