Aprendendo estimativas MAP otimizadas em modelos MRF de valores contínuos

Apresentamos uma nova abordagem para o treinamento discriminativo de parâmetros de modelos de Campo Aleatório de Markov (MRF) de valores contínuos. Em nossa abordagem, treinamos o modelo MRF otimizando os parâmetros de modo que a solução de energia mínima do modelo seja o mais semelhante possível ao valor real. Isso leva a parâmetros que são diretamente otimizados para aumentar a qualidade das estimativas MAP durante a inferência. Nossa técnica proposta nos permite desenvolver uma estrutura que é flexível e intuitivamente fácil de entender e implementar, o que a torna uma alternativa atraente para aprender os parâmetros de um modelo MRF de valores contínuos. Demonstramos a eficácia de nossa técnica aplicando-a aos problemas de remoção de ruído em imagens e preenchimento usando o modelo Field of Experts. Em nossos experimentos, o desempenho do nosso sistema se compara favoravelmente ao modelo Field of Experts treinado usando divergência contrastiva quando aplicado às tarefas de remoção de ruído e preenchimento.