Wir stellen regularisierten Frank-Wolfe vor, einen allgemeinen und effektiven Algorithmus zur Inferenz und Lernprozessierung dichter bedingter zufälliger Felder (CRFs). Der Algorithmus optimiert eine nicht-konvexe kontinuierliche Relaxierung des CRF-Inferenzproblems mittels des klassischen Frank-Wolfe-Verfahrens mit approximativen Updates, die äquivalent sind zur Minimierung einer regularisierten Energiefunktion. Unser vorgeschlagener Ansatz generalisiert bestehende Algorithmen wie Mean-Field oder Concave-Convex Procedure. Diese Perspektive ermöglicht nicht nur eine einheitliche Analyse dieser Verfahren, sondern auch eine einfache Exploration verschiedener Varianten, die potenziell eine bessere Leistung erzielen. Dies illustrieren wir anhand empirischer Ergebnisse auf Standard-Datensätzen für semantische Segmentierung, wo mehrere Implementierungen unseres regularisierten Frank-Wolfe sowohl als eigenständiges Komponente als auch als end-to-end trainierbares Layer in einem neuronalen Netzwerk Mean-Field-Inferenz übertrifft. Zudem zeigen wir, dass dichte CRFs in Kombination mit unseren neuen Algorithmen gegenüber starken CNN-Baselines erhebliche Verbesserungen erzielen.