2022 年 5 月，科學家們發布了一張圖像，盡管它的視覺簡單，但讓所有看過它的人都感到驚訝：這是第一張黑洞的“真實”圖像。但這不是一張簡單的照片。它是一系列部分圖像的合成，這些部分圖像使用一種復雜的基于人工智能的圖像處理（稱為稀疏建模-Sparse Modeling）組合在一起。雖然深度學習在使用 AI 的圈子中得到了很多關注，但稀疏建模為嵌入式視覺提供了另一種改進圖像系統的方法，并且它具有獨特的優勢。

嵌入式視覺是指在專門設計的更大系統中使用“嵌入”相機和處理單元。這些較小的嵌入式系統可以使用人工智能來自動化某些任務，從而消除人工干預的必要性。在一種眾所周知的人工智能形式的示例中，深度學習，這些算法在大型數據集上進行訓練，以便通過將圖像與其他圖像的大型庫進行比較來理解和分類圖像包含的所有信息。這種圖像處理功能非常強大，但也有其缺點。一個重要的缺點是它需要大量的計算資源。

稀疏建模（另一種基于人工智能的圖像處理形式）的吸引力在于，由于其更具針對性的性質，它減少了所需的計算資源。部分受當代解剖學工作的啟發，即視神經首先捕獲涉及相對較少神經元的“稀疏”圖像，稀疏建模使用統計學和信息論來實現嵌入式視覺的好處，同時最大限度地減少密集計算機建模所涉及的成本. 使用往往位于算法訓練對象邊緣的模式，稀疏建模可以以更少的成本重建和理解更多內容。

與使用大型數據集和大量原始計算能力來預測它正在查看的內容的深度學習不同，稀疏建模使用最小的數據集來比較它所使用的每個數據集的某些重要方面。出于這個原因，它在您確切知道嵌入式視覺系統將看到什么的應用程序中更有用，因此它可以專門用于較小的對象子集。由于這個目標，稀疏建模不需要額外的硬件，例如 GPU；相反，它可以很容易地集成到您現有的系統中。

因此，集成進更小的系統的能力使得稀疏建模更適合嵌入式視覺等應用程序。稀疏建模不需要額外的硬件，例如 GPU；相反，它可以很容易地集成到您現有的系統中。因此，插入更小的系統的能力使得稀疏建模更適合嵌入式視覺等應用程序。稀疏建模不需要額外的硬件，例如 GPU；相反，它可以很容易地集成到您現有的系統中。因此，插入更小的系統的能力使得稀疏建模更適合嵌入式視覺等應用程序。

稀疏建模的使用范圍從普通到深奧。例如，它用于面部識別軟件以及一些自動駕駛自動化系統。更抽象地說，稀疏建模已被用于“自然圖像的分類”和“藝術風格的量化”等不同的上下文中。稀疏建模也因其靈活性和易于訓練這些模型而在制造和醫療領域找到了用途。未來，用于分析視覺信息的稀疏建模將隨著我們對人眼功能的理解而發展。一些科學家甚至試圖使用稀疏模型來了解我們太陽系之外的行星！結合嵌入式視覺，稀疏建模可以改變您今天的業務。