按年被提到
20162016 · 6 次2026
视觉、语音与图像生成›图像与视频生成·arXiv:1601.04589 · cs.CV

Combining Markov Random Fields and Convolutional Neural Networks for Image Synthesis

结合马尔可夫随机场与卷积神经网络的图像合成
Chuan Li, Michael Wand · 2016

用 MRF 约束 CNN 特征,让风格化图像合成更逼真

开始阅读 ↗PDFalphaXiv 讨论
被推荐 · 6 人首次 2016-01-20 · 最近 2016-09-30
6不同的人
4活跃月份
6讨论串
758被引(OpenAlex)

研究把生成式马尔可夫随机场(MRF)与判别式训练的深度卷积网络结合起来合成二维图像:MRF 作用在 CNN 特征金字塔的高层,在抽象层面控制图像布局。方法适用于照片和艺术风格的合成;MRF 正则避免了过度激活的伪影和不合理的特征混合,使合成内容更可信,效果远超经典 MRF 方法。

HN 为什么提它

评论者在讨论怎样合成某位画家风格的图像时引用它,认为其块匹配与混合比原始神经风格迁移更精确,也把它当作深度方法正在追赶搜索式方法的例子。

方法难度 4 / 5约 35 分钟经得起时间
读之前最好知道
1卷积神经网络与特征金字塔
2马尔可夫随机场(MRF)
3神经风格迁移
4纹理合成(texture synthesis)

学习路径

读这篇之前,按顺序读书架上的 4 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

这条路径帮我了解用预训练卷积网络特征做纹理与风格合成的思路,再读如何用 MRF 约束 CNN 特征来提升逼真度。

  1. 1
    Very Deep Convolutional Networks for Large-Scale Image Recognition面向大规模图像识别的极深卷积网络 · 2014

    目标论文用 VGG 的卷积特征金字塔作为合成的特征空间。

    读VGG 的层结构与各层特征的含义,之后对照目标论文选用的层。

  2. 2
    Visualizing and Understanding Convolutional Networks卷积网络的可视化与理解 · 2013

    它说明各层特征捕捉到什么,也是通过特征反推图像的早期思路。

    读不同层特征的可视化,尤其高层特征对应的抽象内容。

  3. 3

    目标论文的纹理合成基础,用 CNN 特征统计合成纹理。

    读基于 Gram 矩阵的纹理模型与梯度下降合成的过程。

  4. 4
    A Neural Algorithm of Artistic Style艺术风格的神经算法 · 2015

    它定义了内容与风格的 CNN 表示,目标论文用 MRF 改进它的风格迁移。

    读内容损失与风格损失的构造;留意其过度激发等不足,对照目标论文提出的 MRF 约束。

  5. 5
    Combining Markov Random Fields and Convolutional Neural Networks for Image Synthesis结合马尔可夫随机场与卷积神经网络的图像合成 · 2016 · 就是这篇

    目标论文:用 MRF 约束 CNN 特征做图像合成。

    读MRF 对高层特征的作用、与原有 CNN 特征反推方法的对比,及风格化与照片合成实验。

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
推荐visarga · 2016-04

“Take a look at these:”

推荐一看,它能合成画家风格的新图像
Technologists have produced a 3D-printed painting in the style of Rembrandt原评论 ↗
引用awentzonline · 2016-03

“the matching and blending covered in the Li and Wand paper provides more accurate style details.”

认为 Li 和 Wand 论文里的匹配与混合能给出更准确的风格细节
Images analogies deep learning原评论 ↗
引用fitzwatermellow · 2016-09

“While I still prefer search methods because they are easy to implement (and give better results), "deep" methods are definitely gaining some ground:”

举这种 MRF 加 CNN 的深度方法为例,说明深度方法正在发展
Show HN: Wave function collapse algorithm原评论 ↗
被提交为 story · 3 次