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

本研究探讨离散马尔可夫随机场的最大后验概率推断的非凸连续松弛，研究表明该松弛对于任意马尔可夫随机场都是紧密的，并且可以通过简单的块坐标下降算法轻松地达到其离散稳定点。我们进一步研究了使用基于交替方向乘子法 (ADMM) 的多线性分解框架的高效解决方案，该方案在许多现实世界的问题上的实验证明，ADMM 比其他非凸松弛方法表现更好，并且在不同设置中与最先进的 MRF 优化算法比较时表现优异。

Feb, 2018

本文介绍了一个最小性标准，用于针对 SBV 上的 Mumford-Shah 函数及其它非凸变分积分中的表面和体积项。该方法提供了几个最小性结果的简短且简易的证明。

May, 2001

本研究将众所周知的 BFGS 拟牛顿方法及其内存限制变种 LBFGS 扩展到非平滑凸目标的优化，提出了 subBFGS 算法，其全局收敛，并使用其记忆限制变体（subLBFGS）来最小化 L2 正则化风险并开发了新的多类和多标签设置下的准确搜索算法。

Apr, 2008

本文研究了次模函数及其在凸优化和概率测度方面的应用，提出了连续化的概率测度拓展方式，利用多重边际最优传送理论对次模集函数情况下的推论进行了拓展，最终给出了离散域中通用次模函数的实际最小化算法及其收敛速率。

Nov, 2015

本研究探讨了在一般的向下封闭凸约束下最大化非单调 DR-submodular 连续函数的问题，通过研究其几何属性提出了两种具有漂亮保证的优化算法，并扩展到更广泛的广义 DR-submodular 连续函数类以适用于更多应用场景。

Nov, 2017

本文研究了二进制和连续的负边缘感知器作为学习随机规则和关联的简单非凸神经网络模型，并探讨了两种模型解决方案的几何学特征。结果发现，即使在高度非约束的情况下，存在大量的极宽、极平的最小值，这有助于提高学习器的泛化性能。

Apr, 2023

本文介绍了一种弱 DR 属性，用于给出有关子模性的统一特征，证明了可以在近似保证的同时高效地最大化子模连续函数，为在一般下闭凸约束条件下最大化单调 DR - 子模连续函数和在盒约束条件下的非单调子模连续函数提供了算法，并探讨了其在不同实际应用中的应用性。

Jun, 2016

本文研究了 DR - 次模连续函数在最大化过程中的基本问题，并在凸集合的不同类型下提出了一系列在线算法，用于最小化在线非单调 DR - 次模函数。在实验中表现良好并为机器学习领域中有关问题提供了新的解决方案。

Sep, 2019