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

该研究论文结合深度卷积神经网络和概率图模型的方法来解决像素级分类（语义图像分割）任务中深层网络往往无法精确定位目标分割的问题，并通过将深层网络的响应与全连接条件随机场相结合，提出了一种 DeepLab 系统。定量实验表明，该方法在 PASCAL VOC-2012 语义图像分割任务中，IOU 精度可达 71.6％。

Dec, 2014

本文提出了一种基于学习的场景解析方法，通过逐层递归的上下文传播方式，以图像中的超像素为分类基础进行解析，并利用 MRF 模型建模结果的层次依赖关系从而实现对 Stanford Background，SIFT-Flow 和 Daimler urban 数据集的最新性能。

Mar, 2015

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

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

该论文介绍了一种解决视频对象分割问题的新型空间 - 时间马尔可夫随机场（MRF）模型，该模型通过卷积神经网络（CNN）编码像素之间的空间依赖关系，并利用光流建立时间依赖关系来结合空间和时间线索，提出了一种嵌入 CNN 的算法，以实现近似的 MRF 推理。

Mar, 2018

本文研究了基于生成式马尔可夫随机场模型和鉴别式训练的深度卷积神经网络相结合方法，用于 2D 图像的合成，同时使用 MRF 正则化方法避免了以前 dCNN 反演方法中的过度激发和不可行的特征混合，提高了图像合成的视觉逼真度。

Jan, 2016

本文研究面向自动驾驶场景的单目图像像素级实例标注问题，使用卷积神经网络和密集连接马尔可夫随机场模型结合的方式，提出了一种全局实例标注方法，并在 KITTI 基准数据集上取得了显著的性能提升。

Dec, 2015

本研究提出一种新的 MPF-RNN 模型，通过多层反馈和多重加权循环结构，增强 RNN 建模长范围的上下文信息和识别易混淆像素的能力，此外还提出了考虑多次反馈的损失累积策略，从而在场景分割方面实现了比传统模型更优秀的性能表现。

Aug, 2016

本研究探讨了物体分割的任务，通过使用语义分割系统和限制玻尔兹曼机的有益信息，结合 Dense CRF 标签，采用判别式方法提高了语义部分分割的性能，并在 PASCAL 数据集上展示了优越的性能。

May, 2015