從問題本身來說，這三者主要以兩類問題區分：是根據狀態模擬觀測環境，還是根據觀測的環境來推測狀態。
假設觀測是Z，狀態是X：
Computer Graphics是一個Forwad Problem (Z|X)： 給你光源的位置，物體形狀，物體表面信息，你如何根據已有的變量的狀態模擬出一個環境出來。
Computer Vision正好相反，是一個Inverse Problem (X|Z)：你所有能得到的都是觀測信息(measurements), 根據得到的每一個Pixel的信息(顏色，深度)，我要來估計物體環境的特征和狀態出來，比如物體運動(Tracking)，三維結構（SFM）,物體類別（Classification and Segmentation）等等。
對于Image Processing來說，它恰好介于兩者之間，兩種問題都有。但對于State-of-art的研究來說，Image Processing更偏于Computer Vision, 或者看上去更像Computer Vision的子類。
盡管這三類研究中，隨著CV領域的不斷進步，以及越來越高級相機傳感器出現（Depth Camera, Event Camera），很多算法都被互相用到，但是從Motivation來看，并沒有太大變化。
得益于這幾個領域的共同進步，所以你能看到Graphics和Computer Vision現在出現越來越多的交集。如果根據觀測量（圖片），Computer Vision可以越來越準確的估計出越來越多的變量，那么這些變量套到Graphics算法中，就可以模擬出一個跟真實環境一樣的場景出來。與此同時，Graphics需要構建更真實的場景，也希望能夠將變量更加接機與實際，或者通過算法估計出來，這就引入了Vision的動機。這也是近年來三維重建算法，同時大量發表在Graphics和Vision的會議的原因。隨著CV從2D向3D發展，以后兩者的交集會越來越大，除了learning以外的其他很多問題融合并到一個領域我也不會奇怪。