该研究通过提出一个基准，包括一个带有真实图像结果的图像数据集以及可用于生成具有竞争力的边缘保留平滑结果的基线算法，旨在解决现有算法难以对单一参数设置下适应各种图像以及评估过于主观等问题，利用深度卷积网络和设计适合于边缘保留图像平滑的新损失函数，在结果上领先于大多数最先进的平滑算法。

Apr, 2019

本文提出了一种基于原始 - 对偶平滑框架的方法，用于寻找一类非光滑非凸优化问题的近似稳态点，并通过两种方法，即先对偶后原始和先原始后对偶平滑方法分析了框架的原始和对偶梯度复杂度。通过一个新开发的非 Hilbertian 不精确加速近端梯度算法来解决一类（强）凸 - 凹鞍点问题，进一步改进了已有方法的最佳 oracle 复杂度，并讨论了其变体和扩展。

Mar, 2020

本文提出一种利用深度卷积神经网络进行无监督学习的统一框架，通过使用包括边缘保留正则化器和自适应 Lp 平滑准则在内的新型能量函数来生成灵活高质量的平滑效果以及实现图像的抽象化，素描，详情增强，纹理去除和基于内容的图像操作，其速度非常快，同时性能也比过去的方法更好。

Nov, 2018

本文介绍了一种新的一阶原始 - 对偶优化框架，利用平滑、加速和同伦等三个经典思想，实现了具有许多广泛应用的凸优化，达到了最佳的收敛效果，针对只包含非平滑函数的情况。同时提供了重新启动策略，大大提高了实际性能，并展示了与增广拉格朗日方法的关系以及如何利用严格收敛率保证来利用强凸目标。最后提供了两个实例验证，表明新的方法可以优于 Chambolle-Pock 和交替方向乘法算法等现有的算法。

Jul, 2015

通过计算符合像素结构或细节性质的值，使用迭代最小二乘法 (ILS) 方法处理图像平滑，既可以有效保存弱结构又可以移除高对比度细节。

Jul, 2023

本研究提出了广义随机平滑（GSmooth）理论框架及算法，通过新的维度扩增策略，可证明机器学习系统对普遍的语义转换是有稳健性的，采用基准测试的方法得到的结果显示了我们的方法非常有效。

Jun, 2022

基于稀疏性的参数化的非平滑正则化方法在优化问题中引入了平滑性，通过数值实验验证了该方法性能与常用的凸和非凸正则化方法相当甚至更好。

Jul, 2023

本文提出了一种深度神经网络结构，利用边缘信息解决图像分割和图像滤波等代表性的低级视觉任务，通过估计边缘和重建图像，采用级联卷积层排列的方法解决这些具有挑战性的问题，而无需使用专门的手工或应用程序特定的图像处理组件，并将得到的可转移管道应用于两个对边缘敏感的问题领域，单张图像反射去除和图像平滑。

Aug, 2017

我们引入自协调平滑的概念，用于最小化两个凸函数的和：第一个是光滑的函数，第二个可以是不光滑的函数。我们的方法自然地从称为部分平滑的平滑近似技术中得出。我们的方法的重点在于所得问题结构的自然特性，它为我们提供了一个变量度量选择方法和一条特别适合于近端牛顿类型算法的步长选择规则。另外，我们有效地处理不光滑函数推动的特定结构，例如 L1 正则化和组套索惩罚。我们证明了两种算法的局部二次收敛速度：Prox-N-SCORE，即近端牛顿算法和 Prox-GGN-SCORE，即近端广义高斯牛顿（GGN）算法。Prox-GGN-SCORE 算法突出了一种较为重要的近似过程，有助于显著降低与逆 Hessian 相关的大部分计算开销。此近似过程对于超参数机器学习模型和小批量设置非常有用。对合成数据集和真实数据集的数值实验证明了我们方法的效率和优越性。

Sep, 2023

通过加权平均滤波（如盒式滤波、高斯滤波、双边滤波和引导滤波）之类的一系列方法，本文重现了一种强健估计方法 M-smoother，实现了高质量的分段平滑。同时证实了通过这个方法可以使用 Median filter 和 mode filter 进行快速近似直方图滤波，以及采用双边滤波和引导滤波方法实现分段平滑的高质量效果。最终，深度图去噪的实验表明了该算法的有效性。

Oct, 2014