第一章 绪论 1
1.1 计算机视觉的基本问题 1
1.2 贝叶斯统计学习研究的基本问题 5
1.2.1 密度估计 6
1.2.2 回归 7
1.2.3 分类 7
1.2.4 模型选择与模型平均 8
1.3 计算机视觉的贝叶斯建模 9
1.3.1 对应 9
1.3.2 重建 9
1.3.3 分割 10
1.3.4 跟踪 12
1.3.5 识别 13
1.4 本文研究的主要内容和技术路线 13
1.4.1 本文的结构安排 14
第二章 图模型的逼近推理计算 16
2.1 引言 16
2.2 贝叶斯图模型 17
2.3 常用的图模型 19
2.3.1 产生式模型 19
2.3.2 描述式模型 20
2.3.3 判别式模型 23
2.4 概率推理 24
2.4.1 消去算法 25
2.4.2 贝叶斯信任传播算法（无环） 26
2.4.3 Junction Tree算法 27
2.4.4 变分法 27
2.4.5 采样方法 29
2.5 自由能量逼近 31
2.5.1 自由能量 31
2.5.2 Mean-Field自由能量 33
2.5.3 Bethe自由能量 33
2.5.4 Kikuchi自由能量 35
2.5.5 不同逼近方法间的关系 36
2.6 小结 36
第三章 立体匹配 37
3.1 引言 37
3.2 相关工作 38
3.3 基本立体匹配模型 40
3.3.1 似然分布 40
3.3.2 先验分布 42
3.4 应用贝叶斯信任传播的逼近推理 43
3.4.1 模型逼近：从线过程到鲁棒过程 43
3.4.2 算法逼近：贝叶斯信任传播算法（有环） 44
3.4.3 传播加速 48
3.5 实验结果 49
3.6 为什么贝叶斯信任传播有效 55
3.7 小结 55
第四章 集成多线索与多视图立体匹配 60
4.1 引言 60
4.2 集成图像分割线索 61
4.3 多视图立体匹配 62
4.3.1 匹配代价函数 63
4.3.2 卷积核 64
4.3.3 多视图立体匹配 66
4.4 小结 71
第五章 图像恢复与增强的贝叶斯逼近推理方法 73
5.1 引言 73
5.2 图像去噪 74
5.3 图像修补 76
5.3.1 图像放大 83
5.3.2 图像反马赛克 83
5.4 基于样本的图像先验 87
5.4.1 要素图（Primal Sketch）先验 87
5.4.2 使用要素图先验的图像放大 88
5.4.3 实验结果 90
5.5 小结 91
第六章 工作总结与研究展望 96
6.1 本文贡献 96
6.2 进一步研究 97
6.3 展望 97
致谢 99
参考文献 100
攻读博士学位期间的研究成果 107
攻读博士学位期间的研究成果 107