Wir schlagen eine tiefe Reparametrisierung der Maximum-a-Posteriori-Formulierung vor, die in multiframe-basierten Bildrestaurationsaufgaben üblicherweise eingesetzt wird. Unser Ansatz wird durch die Einführung einer gelernten Fehlermetrik und einer latenten Darstellung des Zielbildes abgeleitet, wodurch das MAP-Ziel in einen tiefen Featurespace transformiert wird. Die tiefe Reparametrisierung ermöglicht es uns, den Bildentstehungsprozess direkt im latenten Raum zu modellieren und gelernte Bildpriors in die Vorhersage zu integrieren. Dadurch nutzen wir sowohl die Vorteile des Deep Learnings als auch die präzise Multiframe-Fusion, die durch die klassische MAP-Formulierung bereitgestellt wird. Wir überprüfen unseren Ansatz durch umfassende Experimente an Burst-Denoising- und Burst-Superresolution-Datensätzen. Unser Ansatz legt einen neuen Stand der Technik für beide Aufgaben fest, was die Allgemeingültigkeit und Effektivität der vorgeschlagenen Formulierung unterstreicht.