要約
画像強調は、複数の解が存在しうる傾向があるため、適切に定義されていない逆問題（ill-posed inverse problem）とみなされる。観測データから元の画像を正確に再構成することは、情報の喪失により困難である。また、結果の品質はしばしば個人の好みに依存するため、主観的になりがちである。これは明らかに「一対多」のマッピング問題を引き起こす。この課題に対処するため、本研究ではベイズ推定を活用して固有の不確実性を捉え、多様な出力を柔軟に扱えるベイズ強調モデル（Bayesian Enhancement Model, BEM）を提案する。本手法は二段階フレームワークに統合されており、まずベイズニューラルネットワーク（Bayesian Neural Network, BNN）を用いて次元削減された画像表現をモデル化し、その後、決定論的ネットワークにより精緻化を行う。さらに、高次元空間におけるBNNが通常直面する収束問題を克服するため、動的な「モーメント事前分布（Momentum Prior）」を導入した。複数の低照度および水中画像強調ベンチマークにおける広範な実験により、従来の決定論的モデルと比較して本手法の優位性が実証された。特に、参照画像が存在しない実世界の応用において顕著な性能を発揮し、ベイズモデルが「一対多」マッピング問題の解決に有効である可能性を示している。