题目：
在2001年的时候被刊登的image analogies
是由纽约大学的Aaron Hertzmann等人所撰写
在当时正是图像处理与辨识最当红的时期
而这篇论文以合理又简洁的方法
达到"理论上可以做到所有的影像处理"的目标
在当时的图像处理学界备受推崇
其最大的缺点就是需要大量的参考资料
还有大量的计算
当时都被认为会随着电脑软硬件的发展
还有平行运算与云端运算的发展而克服
结果时至今日
已经没有人在用这个算法了
请问为什么这样理论上完美的算法
最终还是无法克服他的缺点?
==============================================================================
解答在下一页喔！！！小心不要雷到！！！
★☆★☆★☆★☆本篇解答含18禁、血腥、暴力、猎奇、令人不适之内容，
可能不适合18岁以下板友观赏，请自行斟酌，不喜者请左转★☆★☆★☆
((若本题是采撷其他作品内容者，请于解答前注明))
((若解答无上述内容者，请出题者自行Ctrl+y删除★☆部份，保留剩余防雷页))
==============================================================================
解答：
Image Analogies达成"可以做到所有图像处理"
使用的是"参考"转换
图像B"参考"图像A转换到图像A'的过程
将图像A最接近图像B的部分的图像A'直接拿来贴图成图像B'
以下简单流程:
B的某一点 => 找A最接近B那一点 (利用论文里所称的高斯金字塔
找A该点对应的A'点
把A'点的高斯金字塔贴到B'图上 (在B的那一点的位置
这样的计算
理论上所有的 A -> A' 转换不管能不能够被modelized
都可以利用这样的方法来实现 B -> B'
问题出在两个地方:
1. 怎么样的 A -> A' 才足够呢?
理论上越多的参考图像在转换的效果上就越好
但是越是增加需要参考的图像该算法所需要的计算量就越多
2. 其他算法可以利用训练完的转换模型
直接对B的点做出转换来生成B'上的点
可是该算法每一次都需要在A的参考图像里面重新搜寻他要参考的点
也需要花掉大量的运算
最后该算法也是因为长时间体现不出他的实用价值而没落
出处、作者：
ACM SIGGRAPH
备注：
奇怪的事是论文汤反而比较快被喝完是什么巫术
===================注意解答的标题要跟题库一样喔！===============================