Effiziente Optimierung der marginalen Wahrscheinlichkeit in der blinden Dekonvolution

Bei der blinden Dekonvolution zielt man darauf ab, aus einem unscharfen Eingangsbild y ein scharfes Bild x und einen unbekannten Unschärfekernel k zu schätzen. Aktuelle Forschungen zeigen, dass der Schlüssel zum Erfolg darin besteht, die Gesamtform der posterioren Verteilung p (x, k) zu betrachten und nicht nur ihren Modus. Dies führt zu einer Unterscheidung zwischen MAP x, k Strategien, die das Modus-Paar x, k schätzen und oft zu unerwünschten Ergebnissen führen, und MAP k Strategien, die das beste k auswählen, während sie über alle möglichen x-Bilder marginalisieren. Das MAP k Prinzip ist signifikant robuster als das MAP x, k Prinzip, allerdings erfordert es eine herausfordernde Marginalisierung über latente Bilder. Infolgedessen gelten MAP k Techniken als kompliziert und wurden nicht weit verbreitet angewendet. In diesem Papier leiten wir einen einfachen approximativen MAP k Algorithmus ab, der nur eine bescheidene Modifikation gewöhnlicher MAP x, k Algorithmen erfordert. Wir zeigen, dass MAP k tatsächlich leicht optimiert werden kann, ohne zusätzliche rechnerische Komplexität.