《计算机初期视觉中的逼近推理计算 博士论文》求取 ⇩

第一章绪论1

1.1 计算机视觉的基本问题1

1.2 贝叶斯统计学习研究的基本问题5

1.2.1 密度估计6

1.2.2 回归7

1.2.3 分类7

1.2.4 模型选择与模型平均8

1.3 计算机视觉的贝叶斯建模9

1.3.1 对应9

1.3.2 重建9

1.3.3 分割10

1.3.4 跟踪12

1.3.5 识别13

1.4 本文研究的主要内容和技术路线13

1.4.1 本文的结构安排14

第二章图模型的逼近推理计算16

2.1 引言16

2.2 贝叶斯图模型17

2.3 常用的图模型19

2.3.1 产生式模型19

2.3.2 描述式模型20

2.3.3 判别式模型23

2.4 概率推理24

2.4.1 消去算法25

2.4.2 贝叶斯信任传播算法（无环）26

2.4.3 Junction Tree算法27

2.4.4 变分法27

2.4.5 采样方法29

2.5 自由能量逼近31

2.5.1 自由能量31

2.5.2 Mean-Field自由能量33

2.5.3 Bethe自由能量33

2.5.4 Kikuchi自由能量35

2.5.5 不同逼近方法间的关系36

2.6 小结36

第三章立体匹配37

3.1 引言37

3.2 相关工作38

3.3 基本立体匹配模型40

3.3.1 似然分布40

3.3.2 先验分布42

3.4 应用贝叶斯信任传播的逼近推理43

3.4.1 模型逼近：从线过程到鲁棒过程43

3.4.2 算法逼近：贝叶斯信任传播算法（有环）44

3.4.3 传播加速48

3.5 实验结果49

3.6 为什么贝叶斯信任传播有效55

3.7 小结55

第四章集成多线索与多视图立体匹配60

4.1 引言60

4.2 集成图像分割线索61

4.3 多视图立体匹配62

4.3.1 匹配代价函数63

4.3.2 卷积核64

4.3.3 多视图立体匹配66

4.4 小结71

第五章图像恢复与增强的贝叶斯逼近推理方法73

5.1 引言73

5.2 图像去噪74

5.3 图像修补76

5.3.1 图像放大83

5.3.2 图像反马赛克83

5.4 基于样本的图像先验87

5.4.1 要素图（Primal Sketch）先验87

5.4.2 使用要素图先验的图像放大88

5.4.3 实验结果90

5.5 小结91

第六章工作总结与研究展望96

6.1 本文贡献96

6.2 进一步研究97

6.3 展望97

致谢99

参考文献100

攻读博士学位期间的研究成果107

攻读博士学位期间的研究成果107