基于视觉的自动膳食评估分析综述

背景：保持健康饮食对于避免营养不足、肥胖及许多非传染性疾病等健康问题至关重要。健康饮食不可或缺的一部分是膳食评估。传统的手工记录方法不仅繁琐耗时，且包含显著的偏倚与误差。人工智能（AI）尤其是计算机视觉技术的最新进展，使得开发自动膳食评估方案成为可能，这些方案在监测日常食物摄入时更便捷、更省时甚至更准确。范围与方法：本综述介绍了基于视觉的膳食评估（VBDA）架构，包括多阶段架构与端到端架构。多阶段膳食评估通常由三个阶段组成：食物图像分析、体积估计与营养推导。深度学习的兴盛使VBDA逐渐走向端到端实现，即将食物图像输入单一网络直接估计营养。文中也讨论了近期提出的端到端方法。我们进一步分析了现有膳食评估数据集，指出亟需一个大规模基准，并最终强调了VBDA的关键挑战与未来趋势。主要发现与结论：经过深入探究，我们发现多任务端到端深度学习方法为VBDA的一个重要趋势。尽管取得了可观的研究进展，由于膳食的复杂性，VBDA仍面临诸多挑战。我们也提供了VBDA未来开发的最新思路，例如细粒度食物分析与准确体积估计。本综述旨在鼓励研究者提出更实用的VBDA解决方案。