يُعتبر تحسين الصور مشكلة عكسية غير محددة بدقة نظرًا لاتجاهها نحو وجود حلول متعددة. ففقدان المعلومات يجعل إعادة بناء الصورة الأصلية بدقة من البيانات الملاحظة أمرًا صعبًا. كما أن جودة الناتج تكون غالبًا ذات طابع موضوعي يعتمد على التفضيلات الفردية، مما يشكل تحديًا واضحًا في التمثيل من واحد إلى كثير. ولحل هذه المشكلة، نقترح نموذجًا تحسينيًا بايزيًا (BEM) يعتمد على التقدير البايزي لالتقاط عدم اليقين المتأصل وتمكين توليد نتائج متنوعة. ويتم تنفيذ نهجنا ضمن إطار ثنائي المراحل، حيث يُستخدم في المرحلة الأولى شبكة عصبية بايزية (BNN) لتمثيل الصور بعد تقليل أبعادها، تليها شبكة مؤكدة لتحسين النتائج. كما نُقدّم ما يُسمى بـ "السابقة الحركية الديناميكية" (Momentum Prior) لتجاوز مشكلات التقارب التي تواجهها الشبكات العصبية البايزية عادةً في الفضاءات عالية الأبعاد. وتوحي النتائج التجريبية الواسعة عبر عدة معايير لتحسين الصور في ظروف الإضاءة المنخفضة والصواريخ تحت الماء بتفوّق طريقةنا على النماذج المؤكدة التقليدية، خصوصًا في التطبيقات الواقعية التي تفتقر إلى صور مرجعية، مما يبرز الإمكانات الكامنة للنماذج البايزية في معالجة المشكلات ذات التمثيل من واحد إلى كثير.