43、马尔可夫 - 吉布斯纹理建模与海洋蠕虫跟踪技术

马尔可夫 - 吉布斯纹理建模与海洋蠕虫跟踪技术

1. 马尔可夫 - 吉布斯纹理建模

1.1 合成结果优势

在纹理合成方面，使用最多 8 个小滤波器加上简单 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有多达数百个滤波器，或者每个势函数有多达 4096 个参数。并且该模型在处理不规则纹理时展现出能力，而这些不规则纹理对许多先前的工作来说似乎过于困难。

1.2 模型学习与优化

学习 MGRF 模型的结构（如 FRAME 方法）并优化特征参数（如 FoE 方法），能够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。

1.3 滤波器预训练

滤波器预训练对于模型的势函数至关重要。如果不进行预训练，直接从随机滤波器开始，结果会很差。这是因为梯度无法在不相邻的直方图区间之间推动质量，这是使用直方图的一个主要缺点，也是学习有时无法找到合理滤波器的可能原因。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。

1.4 滤波器类型权衡

非连续和连续滤波器各有优劣。实验发现，非连续滤波器更能处理大尺度纹理，且更具鲁棒性，因为如果方形滤波器太小，使用方形滤波器的模型会产生不良结果。但对于许多具有小局部细节的纹理，使用传统方形滤波器似乎更好。理想情况下，嵌套算法本身应通过提供正确的停止规则和正则化/先验来进行这种权衡，但这会进一步增加需要调整的超参数数量。

1.5 图像统计与未来工作

更复杂的图像统计，如滤波器响应的相互依赖/共现性