論文學習，暫時只考慮2-D，不考慮3-D

MRF能量函式如下，i表示畫素空間index，y表示潛在的變數，V表示nodes，ε表示邊。

是一元項，如果i點屬於第一個類別而不是第二類別，則

是二元項，是畫素對，測量懲罰labels u,v分配給(i，j)。

一元項表示每個點的分類，而畫素對（二元項）反映一系列平滑約束

        p(……) 表示點i是label u的概率，簡寫

其中第一項表示global co-occurren between任何label對，例如，如果u和v不共存，則μ(u,v)較大。等式4的第二項計算點距離。

Ii是特徵向量

等式4顯示如果兩個點靠近且look similar，他們被鼓勵 to have labels that are compatible（相容）

然而，等式4有兩個缺點，首先，第一項，在訓練集中，抓取兩個labels的共生頻率，當時忽略了物體的空間上下文。例如，人可能出現在桌子的旁邊而不是桌子下面。空間上下文是模板的混合，如不同的物體配置會出現在不同的影象中。第二是，它只定義了畫素對的關係，沒考慮更高階的互動。

為了解決上述問題，我們定義平滑項between 點通過擴充豐富的資訊。公式4改為公式6

等式6第一項學習區域性label混合上下文，懲罰label在區域性立方體（for3-D），K是混合的成分數量。

μ(i,u,j,v)輸出labeling cost between (i,u)和(j,v)，考慮他們的相對位置。例如u,v表示人和桌子，j在i的底部，會有一個大的懲罰。