本文介绍了一种新颖的倾斜平面 MRF 模型，它同时对遮挡边界和深度进行推理。作者将问题定义为混合 MRF 中的推理问题，其中包括连续（即倾斜的 3D 平面）和离散（即遮挡边界）随机变量，从而使他们能够定义潜在函数，编码由分割边界组成的像素的所有权，以及编码哪些交界处是物理上可能的。我们的方法在 Middlebury 高分辨率图像以及更具挑战性的 KITTI 数据集上表现优于现有的倾斜平面 MRF 方法，并且比现有的方法更高效，平均需要 2 分钟来执行高分辨率图像的推理。

Apr, 2012

本文提出了一种基于稀疏图的归一化割方法，该方法通过添加颜色节点至简单的网格图中对图像进行分割，实验结果表明该方法在图像分割方面表现优于传统的光谱算法。

Jun, 2023

此研究旨在将马尔可夫随机场与深度学习相结合，提出了一个训练算法，可以学习结构化模型和深度特征，以提高多个随机变量的预测性能。该算法在预测词汇和图像多分类上均具有重要的性能提高。

Jul, 2014

基于深度学习的神经 MRF 模型在立体匹配任务中取得了显著的性能提升，通过在潜在函数和信息传递方面应用数据驱动的神经网络，该模型有效地解决了传统立体方法中的建模限制和精度问题，并借助变分推断理论保留了立体 MRF 模型的图感知特征。对于高分辨率图像进行可行的推理，并通过适应性地剪枝视差搜索空间的 Disparity Proposal Network (DPN)，使得该方法在 KITTI 2012 和 2015 榜单上名列第一，且运行时间不超过 100 毫秒。与传统的全局方法相比，本方法的性能显著提升，例如在 KITTI 2015 数据集上将 D1 指标降低了 50%，并且具有强大的跨领域泛化能力和恢复锐利边缘的特点。详细代码请参见此链接。

Mar, 2024

通过非负矩阵分解和谱聚类方法，在非线性正交 NMF 框架中提出了两种基于核的子空间聚类算法，并引入图形正则化以获得满足数据局部几何结构的分解，其聚类性能显著优于最新的一些方法。

Sep, 2017

利用核函数的理论基础构建多路相似性理论框架来将实值数据建模为超图，并提出了基于超图切割的谱聚类算法。

Mar, 2022

本文提出了一种基于全连接神经元的新型 MRF 模型，将深度神经网络的表达能力和 MRF 的循环依赖结构结合在了一起，通过对多个 RNN 进行逆向连接形成的前馈网络的近似表示，实现了高效的学习和在各种低级视觉任务中的卓越表现。

Sep, 2016

本文提出了一种名为 LooseCut 的新算法，采用 Markov Random Fields 模型，可以处理输入包含前景目标的边界框不太紧的情况，并通过迭代最大流算法解决该模型。LooseCut 可用于增强无监督视频分割和图像显着性检测性能，并在三个公开的图像数据集中表现良好。

Jul, 2015

本论文提出了一种名为 Deep Parsing Network (DPN) 的卷积神经网络，通过将高阶关系和标签上下文的混合引入到 MRF 模型中，该网络能够在一次前向传递中实现确定性的端到端计算。与先前使用迭代算法优化 MRF 不同的是，该论文通过 DPN 精确求解 MRF，并能够在近似一次 MF 迭代的情况下达到较高的分割精度。此外，DPN 使得 MF 更容易被并行化和加速，从而可以实现高效的推理。

Jun, 2016

本文介绍了一种高效的先验模型 —— 高斯混合 Markov 随机场模型 (GM-MRF)，以及通过构建替代函数的新型分析框架，在低对比度和高对比度区域分别控制图像重建锐度的方法。实验证明了该模型在图像去噪和低剂量 CT 重建方面的价值。

May, 2016