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

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

该研究论文通过将高阶关系和标签上下文混合等丰富信息融入到马尔可夫随机场中，提出了一种名为深度解析网络的卷积神经网络，通过一次前向运算实现确定性的端到端计算。在 PASCAL VOC 2012 数据集上经过全面评估，表现出卓越的分割准确性。

Sep, 2015

VMRF is an innovative NeRF that can effectively train without requiring prior knowledge in camera poses or camera pose distributions through its view matching scheme and feature transport plan.

Jul, 2022

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

使用神经渲染技术构建的数据集来训练深度立体网络，使其能够预测锐利且详细的视差图，并在 Middlebury 数据集上优于现有的自监督方法。

Mar, 2023

本研究提出了一种优化的 pMRF 方法，通过学习边潜力来解决现有方法的局限性，实现半监督节点分类在准确性和效率方面超越了图神经网络。

Dec, 2020

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