前一篇博文写到了MRF在视觉中的应用，它实际是对问题建立graphical model, 然后用bayesian probabilistics的方法做Inference。在建立图模型前，要首先定义vertex/edge/neighborhood,而后续的estimation和inference是基于建立好的图模型的，所以如果一个问题中，vertex(也可以说object)是变化而不是固定的（此时的图模型变了），MRF变得不再实用。

然而，point process(也称为object process,因为它是面向对象的）能对number不固定、shape可变化的对象建模，所以能很好的解决视觉中的某些inverse problems,如object extraction/texture synthesis。Point process率属于随机过程理论，能把prior geometry information用概率来建模，但它与MRF不同在于，它把随机理论用到estimation中，所以Object的数量、参数是随着求解过程变化的。虽然概率模型和MRF中的概率一样是definite的，可是求解中的stochastics使得points in the distribution 更flexible.(MRF中的points，也就是objects,是固定的)。

point process涉及到测度理论和随机过程，当应用到视觉中时，常用gibbs energy 来描述这个point process。接下来就是求最小能量，常用的方法是RJMCMC外加simulated annealing 策略，为了加快收敛速度，在高温使用jump策略，低温使用diffusion.

目前看到的point process的成功案例是其在图像特征提取中的应用，法国的一个研究所INRIA在这方面做了大量的工作。

下面是一些资料：

RJMCMC: Reversible jump Markov chain Monte Carlo computation and Bayesian model determination，PJ Green - Biometrika, 1995

stochastic geometric models: Stochastic geometry models in high-level vision, AJ Baddeley, 1993

PAMI 2010: geometric feature extraction by a multi-marked point process, florent lafarge, 2010