计算机视觉将在三个关键领域扩展移动应用的功能：实时协作工具、增强的医疗诊断和情境感知安全系统。这些应用利用了设备端处理、传感器集成以及针对移动硬件优化的机器学习框架的进步。
在协作工作流程中，计算机视觉将支持共享增强现实 (AR) 环境，多个用户可以使用手机摄像头与 3D 模型进行交互。例如，工程师可以通过将设备指向物理对象来检查虚拟原型，CV 算法将数字覆盖层与真实世界的表面对齐。ARKit 和 ARCore 等框架已经支持平面检测和对象跟踪，但未来的应用程序可能会集成语义分割，以实时区分材料（例如，金属与塑料）。另一个用例是实时文档翻译：应用程序可以处理摄像头输入，以替换外语文本，同时保留背景视觉效果，使用像 MobileNet 这样的轻量级模型进行高效的文本检测和修复。
医疗保健应用程序将使用计算机视觉进行个性化诊断。皮肤病学工具可以通过手机摄像头分析皮肤病变，使用联邦学习将其与医学图像数据集进行比较，以保持隐私。物理治疗应用程序可以通过姿势估计模型（例如，MediaPipe）跟踪锻炼期间的关节角度，提供关于姿势的实时反馈。对于辅助功能，高级场景描述应用程序可以识别视力障碍用户导航路径中的障碍物，将 LiDAR 数据（可在较新的手机中使用）与针对移动推理优化的 YOLOv5n 等对象检测模型相结合。
安全系统将超越基本的人脸识别。应用程序可以通过分析行为模式来验证用户身份，例如他们如何握住手机或与屏幕交互，使用时间卷积网络。支付系统可能会采用活体检测，检查面部特征中的微小动作以防止欺骗。TensorFlow Lite 等设备端模型框架将使这些功能可以在本地运行，确保敏感的生物识别数据永远不会离开设备。对于开发人员来说，实现这些功能需要了解特定于硬件的优化，例如利用 Apple 的 Neural Engine 或 Android 的 NNAPI 进行高效的模型推理。