不，或者至少我会说不一定明确。如果您有一个图像形成模型（例如源自成像过程的物理学），您可以使用您的“模式”或感兴趣对象的参数或隐式表示将识别、重建或检测作为逆问题提出，而无需进行任何概率建模明确的。

举一个更实际的例子，反投影是一种计算效率高的算法，它解决了逆氡变换，通常用于获得断层像素重建（~识别代表扫描对象的图像）。在这种情况下，您对已知的正向模型有一个适定的逆问题。

也就是说，许多逆问题可以理解为贝叶斯 MAP 或 ML 推理问题，其中正向模型被重写为概率模型。

例如，如果逆问题是病态的，通常使用正则化方法（例如TV或TR）来使数值处理更容易。然而，许多正则化器可以在贝叶斯意义上理解为作用于逆问题旨在恢复的参数的先验。

有趣的是，还有一些图像识别研究工作不依赖于机械识别——通过机器学习、统计或其他自动化方法。相反，他们将识别工作外包给人类——他们非常擅长某些形式的识别，使用像亚马逊机械土耳其人这样的服务。

显然，如果您需要实时图像识别，这种方法将不起作用，但这是一个有趣的想法。

是和否。没有什么是理想的。不确定性来自四面八方。没有适合所有人的精确数学模型。即使有，也需要很长时间才能弄清楚。最简单的方法是适应概率模型。机器学习是使用给定样本的统计数据进行学习（训练参数）。

埃内斯