线性卷积问题表述为：

和$y$观察，$x$原始数据，$h$模糊内核和$n$对于信号、图像或其他数据，噪声是 DSP 中的原型问题。许多解决方案试图最小化数据保真度术语的某些度量$(x-\hat{x})$结合惩罚，以确保解决方案在某种程度上是正确的。即使在最简单的情况下，$h$已知且不存在噪声（$n=0$)，平滑核$h$可能会从中删除数据$x$那是无法挽回的。即，如果它的傅里叶变换$H$在频域中消失，从$Y=XH$，无论何时你都会得到$H(\omega)=0$, 你有不确定性$X$在从$X(\omega)H(\omega)=0$. 这就是病态意味着的一部分。当模糊内核像您的那样具有有限支持时，这种情况会发生很多$3\times 3$高斯示例。

以下是其他几个问题：

• 模型不是线性的：噪声是非相加的，测量值会经历非线性效应（饱和）或基线/背景，
• 该模型不是移位变量：模糊内核随位置而变化，数据被下采样，导致超分辨率问题，
• 模糊内核是未知的，应该从 Fat32 所写的观察中得出，
• 质量指标不适合该目的，
• 算法指标（数据保真度、惩罚）与目的不一致。

他们每个人本身就是一个完整的问题。我的观点是，我们需要在音质指标上做更多的工作（除了 SNR、SSIM 等），但研究可能是保守的，并且使用与以前其他指标相同的指标。

基本上，至少 $x$是未知的，因此有很多潜在的估计器，并且很难获得 ONE。然而，新颖的去模糊可能很有用，因为它是一个原型问题。理论环境中的一个好的算法可能会在实际案例中发挥作用，甚至可以在另一个 DSP 环境中重用。