題目：
在2001年的時候被刊登的image analogies
是由紐約大學的Aaron Hertzmann等人所撰寫
在當時正是圖像處理與辨識最當紅的時期
而這篇論文以合理又簡潔的方法
達到"理論上可以做到所有的影像處理"的目標
在當時的圖像處理學界備受推崇
其最大的缺點就是需要大量的參考資料
還有大量的計算
當時都被認為會隨著電腦軟硬體的發展
還有平行運算與雲端運算的發展而克服
結果時至今日
已經沒有人在用這個演算法了
請問為什麼這樣理論上完美的演算法
最終還是無法克服他的缺點?
==============================================================================
解答在下一頁喔！！！小心不要雷到！！！
★☆★☆★☆★☆本篇解答含18禁、血腥、暴力、獵奇、令人不適之內容，
可能不適合18歲以下板友觀賞，請自行斟酌，不喜者請左轉★☆★☆★☆
((若本題是採擷其他作品內容者，請於解答前註明))
((若解答無上述內容者，請出題者自行Ctrl+y刪除★☆部份，保留剩餘防雷頁))
==============================================================================
解答：
Image Analogies達成"可以做到所有圖像處理"
使用的是"參考"轉換
圖像B"參考"圖像A轉換到圖像A'的過程
將圖像A最接近圖像B的部分的圖像A'直接拿來貼圖成圖像B'
以下簡單流程:
B的某一點 => 找A最接近B那一點 (利用論文裡所稱的高斯金字塔
找A該點對應的A'點
把A'點的高斯金字塔貼到B'圖上 (在B的那一點的位置
這樣的計算
理論上所有的 A -> A' 轉換不管能不能夠被modelized
都可以利用這樣的方法來實現 B -> B'
問題出在兩個地方:
1. 怎麼樣的 A -> A' 才足夠呢?
理論上越多的參考圖像在轉換的效果上就越好
但是越是增加需要參考的圖像該演算法所需要的計算量就越多
2. 其他演算法可以利用訓練完的轉換模型
直接對B的點做出轉換來生成B'上的點
可是該演算法每一次都需要在A的參考圖像裡面重新搜尋他要參考的點
也需要花掉大量的運算
最後該演算法也是因為長時間體現不出他的實用價值而沒落
出處、作者：
ACM SIGGRAPH
備註：
奇怪的事是論文湯反而比較快被喝完是什麼巫術
===================注意解答的標題要跟題庫一樣喔！===============================