Bayesian-Erweiterungsmodelle für die one-to-many-Abbildung in der Bildverbesserung

Die Bildverbesserung gilt als schlecht gestelltes inverses Problem, da sie mehrere mögliche Lösungen aufweist. Der Informationsverlust erschwert die genaue Rekonstruktion des ursprünglichen Bildes aus beobachteten Daten erheblich. Zudem ist die Qualität der Ergebnisse oft subjektiv und hängt von individuellen Präferenzen ab, was offensichtlich eine ein-zu-viele-Abbildungsaufgabe darstellt. Um diesem Problem zu begegnen, schlagen wir ein bayessches Verbesserungsmodell (Bayesian Enhancement Model, BEM) vor, das bayessche Schätzung nutzt, um inhärente Unsicherheiten zu erfassen und eine Vielzahl unterschiedlicher Ausgaben zu ermöglichen. Unser Ansatz ist in einen zweistufigen Rahmen integriert: Zunächst wird ein bayessches neuronales Netzwerk (Bayesian Neural Network, BNN) eingesetzt, um reduzierte, niedrigdimensionale Bilddarstellungen zu modellieren, gefolgt von einem deterministischen Netzwerk zur Feinabstimmung. Zudem führen wir einen dynamischen Momentum-Prior ein, um Konvergenzprobleme zu überwinden, die BNNs in hochdimensionalen Räumen typischerweise befallen. Umfangreiche Experimente an mehreren Benchmarks für schwach beleuchtete und unterwasserbildliche Bildverbesserung zeigen die Überlegenheit unseres Verfahrens gegenüber herkömmlichen deterministischen Modellen, insbesondere in realen Anwendungen ohne Referenzbilder. Dies unterstreicht das Potenzial bayesscher Modelle zur Bewältigung ein-zu-viele-Abbildungsaufgaben.