摘要

图像增强因其解的不唯一性而被视为一个病态的逆问题。由于信息的丢失，从观测数据中准确重建原始图像极具挑战性。此外，增强结果的质量往往具有较强的主观性，受个体偏好影响较大，这显然构成了典型的“一对多”映射难题。为应对这一挑战，我们提出一种贝叶斯增强模型（Bayesian Enhancement Model, BEM），利用贝叶斯估计来捕捉内在不确定性，并支持多样化的输出结果。所提方法构建于一个两阶段框架之中：首先，采用贝叶斯神经网络（Bayesian Neural Network, BNN）对图像进行低维表示建模；随后，通过一个确定性网络对结果进行精细化优化。为进一步解决BNN在高维空间中常见的收敛困难问题，我们引入了一种动态的动量先验（Momentum Prior）机制。在多个低光照与水下图像增强基准数据集上的大量实验表明，与传统确定性模型相比，本方法在真实场景应用中表现更优，尤其在缺乏参考图像的条件下展现出显著优势，充分凸显了贝叶斯模型在处理“一对多”映射问题中的潜力。