Markov Random Fields in Vision Perception: A Survey

In this paper, we present a comprehensive survey of Markov Random Fields (MRFs) in computer vision, with respect to both the modeling and the inference. MRFs were introduced into the computer vision field about two decades ago, while they started to become a ubiquitous tool for solving visual perception problems at the turn of the millennium following the emergence of efficient inference methods. During the past decade, different MRF models as well as inference methods in particular those based on discrete optimization have been developed towards addressing numerous vision problems of low, mid and high level. While most of the literature concerns pairwise MRFs, during recent years, we have also witnessed significant progress on higher-order MRFs, which substantially enhances the expressiveness of graph-based models and enlarges the extent of solvable problems. We hope that this survey will provide a compact and informative summary of the main literature in this research topic. Key-words: Markov Random Fields, Graphical Models, MRFs, Graph-based Methods, MAP Inference, Discrete Optimization ∗ Center for Visual Computing, École Centrale Paris, Châtenay-Malabry, France † Equipe GALEN, INRIA Saclay Île de France, Orsay, France ha l-0 07 34 98 3, v er si on 1 25 S ep 2 01 2 Résumé : Dans cet article, nous présentons un panorama approfondi des champs de Markov aléatoires (MRFs) dans le cadre de la vision par ordinateur, et ce autant du point de vue de la modélisation que de l’inférence. Les MRFs ont été introduits dans le domaine de la vision par ordinateur il y a environ deux décennies, alors qu’ils commençaient à devenir un outil omniprésent pour résoudre les problèmes de perception visuelle à la suite de l’apparition de méthodes efficaces d’inférence. Au cours de la dernière décennie, les différents modèles de MRFs ainsi que les méthodes d’inférence en particulier celles basées sur l’optimisation discrète, ont été mis en oeuvre pour résoudre de nombreux problèmes de vision de bas, milieu et haut niveaux. Alors que la plupart de la littérature concerne les MRFs d’ordre deux, nous avons également assisté au cours des dernières années à des progrès significatifs sur les MRFs d’ordre supérieur, ce qui améliore sensiblement l’expressivité des modèles à base de graphes et élargit le champs d’application de ces méthodes. Nous espérons que cette étude bibliographique fournira un résumé compact et informatif sur la littérature principale concernant ce sujet de recherche. Mots-clés : Champs de Markov Aléatoires, Modèles graphiques, MRFs, Inférence MAP, Optimisation discrète ha l-0 07 34 98 3, v er si on 1 25 S ep 2 01 2 Champs de Markov Aléatoires dans la Perception Vision: Un Panorama 3