该文提出了一种基于小块标记枚举的大图通用最小化方法，可用于复杂高阶能量的优化。该方法在曲率正则化等难解问题上表现优越，并通过一种新颖的积分几何方法直接评估小块的曲率。

Mar, 2013

本文针对离散的成对能量最小化问题（加权约束满足、最大求和标记），探讨了一种可在多项式时间内验证、对问题重新参数化和标签置换具有不变性、包含许多现有足够条件的新足够条件，以及通过特别构造的计算线性函数程序解决在任意多标签环境下确定有保持不变的分配任务。

Apr, 2014

本论文提出了一种基于 Dirichlet 特征值的非凸图划分目标函数， 并设计了一种新颖的重排算法来达到最优， 可应用于几个聚类问题并拓展至半监督， 在合成数据、MNIST 手写数字和流形离散化图上都取得了有效结果。

Aug, 2013

本文研究了离散能量最小化问题在 2 标签配对的情况下和三个以上标签的平面能量最小化问题的多项式时间内是否可以用合理的近似算法求解。结果表明，这两个问题都是 exp-APX 完全问题，不存在任何多项式时间的近似算法。此外，本文收集并综述了几个子类问题的复杂度，并将其排列在由 PO、APX 和 exp-APX 组成的复杂度尺度上，为视觉研究人员选择适当的模型或指导他们设计新算法提供了帮助。

Jul, 2016

提出了一种降低 Potts 能量函数优化问题的复杂度的算法，通过 Kovtun 算法和 Felzenszwalb 等人的树形算法等方法减少了 maxflow 的计算量，并探讨了应用于组合优化的 k-submodular 函数

Oct, 2013

本文提出了一种新的优化问题的解决方法，通过根据光线的深度和语义类确定其在图像中的位置，并在 QPBO 关系中将 2 标签问题转换为图可表示的形式，使用图切进行求解，解决了在 3D 模型中存在的可视化问题。

Jun, 2019

本文提出基于能量分数的伪标记法，用于解决深度卷积神经网络中，由于 softmax 置信度无法准确反映样本离训练数据的距离，导致伪标记不可靠的问题，并在不平衡 SSL 数据集上实现了明显的精度提升。

Jun, 2022

通过能量最小化模型，我们提出一种少样本学习算法，用于从不同的照片中选择一个来自同一对象类的图像，通过数据直接学习潜在函数，提高了模型对少样本物体识别以及对象共定位任务的性能，同时提出一种基于贪婪的优化算法，性能与最先进的结构化推理算法相当但速度是其十倍。

Apr, 2019

本文提出了一种基于函数提升的新型空间连续凸松弛框架，旨在解决多标签问题，与之前提出的基于函数提升的方法相比，本方法基于分段凸近似，因此需要更少的标签；与最近的基于 MRF 的方法相比，本方法在一个空间连续设置中进行，并且显示较少的栅格偏差；此外，本文的公式在局部意义上是可能得到的最紧凑的凸松弛，易于实现并允许在 GPU 上进行高效原始 - 对偶优化。本方法在几个计算机视觉问题上的效果证明了其有效性。

Dec, 2015

本文研究了基于度量交互势能的连续域图像标注问题的凸松弛问题，提出了两种不同的凸松弛方法并通过 Douglas-Rachford 迭代方案求解离散问题，结果在合成和实际图像上都表现出了优良性能，在非标准势能情况下，结合创新二值化技术能够恒定的恢复出图像标注的离散解。

Feb, 2011