43、马尔可夫 - 吉布斯纹理建模与学习的自由形式滤波器及蠕虫跟踪技术

马尔可夫 - 吉布斯纹理建模与学习的自由形式滤波器及蠕虫跟踪技术

马尔可夫 - 吉布斯纹理建模

在纹理建模领域，使用最多 8 个小滤波器加上简单的灰度级依赖（GLD）特征且无潜在变量的模型，其合成结果可与其他模型相媲美。一些表现出色的模型可能拥有多达数百个滤波器，或者每个势函数有多达 4096 个参数。而且，该模型在处理不规则纹理方面展现出能力，这是许多先前工作难以企及的。

学习马尔可夫随机场（MGRF）模型的结构（如在 FRAME 中）并优化特征参数（如在 FoE 中），似乎能通过考虑更广泛的可能模型，更轻松地重现复杂纹理。不过，由于迭代嵌套过程，学习时间可能会更长。

滤波器预训练对模型很关键，如果不进行预训练，直接从随机滤波器开始，效果会很差。这是因为使用直方图时，梯度无法在不相邻的直方图区间之间推动质量，这可能是学习有时无法找到合理滤波器的原因。一种使用重叠粗粒度和细粒度区间的直方图替代参数化方法，可能会提供更易于导航的优化景观。

对滤波器系数进行最大似然估计（MLE）学习会得到不同结果，有时比仅使用预训练滤波器的结果更差或更好，这可能是由于优化问题的非凸性和直方图的使用。非连续和连续滤波器各有优劣：
| 滤波器类型 | 优点 | 缺点 |
| ---- | ---- | ---- |
| 非连续滤波器 | 更能处理大尺度纹理，更具鲁棒性 | |
| 连续滤波器（传统方形滤波器） | 对于许多具有小局部细节的纹理效果更好 | 若滤波器太小，模型效果差 |

理想情况下，嵌套算法本身应能做出这些权衡，通过提供正确的停止规则和正则化/先验。但这会增加需要调整的超参数数量，在手动选择模型方面（如图形结构