浅析"Sublabel-Accurate Relaxation of Nonconvex Energies" CVPR 2016 Best Paper Honorable Mention

今天作了一个paper reading，感觉论文不错，马克一下~

CVPR 2016 Best Paper Honorable Mention "Sublabel-Accurate Relaxation of Nonconvex Energies"

       研究视觉问题的同学都知道，视觉问题很多都是多标签的问题，在进行优化的时候，我们都可以把他们转化为能量函数的形式，由数据项和平滑项组成。这些能量函数可以用变分的形式进行表达，当能量函数的项是非凸的话，一般使用梯度下降迭代的方法进行近似求解，有可能只能得到局部极小值。为了求解到全局最优值，我们致力于将非凸问题转化为凸问题，然后进行优化求解。

       本篇论文基于泛函提升的方法提出空间连续的凸松弛框架，即将非凸问题转化为凸问题，是一种解决亚标签精度的多标签问题的方法。相比以前泛函提升的方法，该论文的方法能够使用较少的标签推断出不错的结果。这是因为以前方法标签之间是线性的，为了得到一个较好的结果，需要有很多的标签，而该论文的方法标签之间是凸近似的，可以是线性的，也可以是二次的。此外，该论文提出的将非凸问题转化为凸问题的方法，在数学上是最紧的凸松弛，有严格的数学推导。

       该论文的整体思路是什么样的呢&#x