ill-posed（不适定）问题详解

“ill-posed”（不适定）问题究竟怎样理解

今天在阅读论文的时候看到这样一句话：“Since estimating depth from a single image is an ill-posed and inherently ambiguous problem, current solutions almost use powerful CNNs to extract explicitly or implicitly prior geometric to realize it [3,5].” 摘自论文：PanoFormer: Panorama Transformer for Indoor 360° Depth Estimation.

意思是：由于从单幅图像中估计深度是一个不适定和固有的模糊问题，目前的解决方案几乎都是利用强大的卷积神经网络提取显式或隐式的先验几何来实现的。

不适定性问题，一直以来我都按照字面意思加上自己随意的猜测进行理解，今天再看到这个词，觉得非常有必要去查查清楚，作为一个研究小白，积累研究基础是非常必要的。那么这个不适定性问题究竟怎么理解呢？下边给出答案。

不适定性问题简单定义：

在数学和科学中，“ill-posed”（不适定）问题是指在解决过程中存在固有的不确定性和不稳定性的问题。具体而言，它指的是一个问题的解在输入数据的微小变化下变得高度敏感或不稳定，而且可能存在多个或无穷多个解，或者根本没有解。

"ill-posed"问题通常出现在以下情况下：

1. 缺乏足够的输入信息：当问题的输入数据不足以唯一确定解时，问题就变得不适定。这种情况下，即使存在解，也可能无法通过给定的输入数据找到它。
2. 输入数据包含噪声或不完全：如果输入数据包含噪声、缺失或不完全的信息，那么问题就变得不适定。这样的问题往往会导致解的不确定性和不稳定性。
3. 算法或方法的不适当性：有时，即使问题本身是适定的，但选择的算法或方法可能导致不适定性。例如，使用不稳定的算法或近似方法可能导致结果的不稳定性。

就论文这句话而言可以这么理解：

从单幅图像中估计深度就是一个经典的例子，通常被认为是一个不适定问题。这是因为在单幅图像中，我们只有有限的视觉信息来推断深度信息，而单个图像本身并不能提供足够的信息来唯一确定场景的三维结构。因此，估计深度的问题变得不适定，因为存在多个可能的深度解决方案，而无法确定哪个解是正确的。

为了解决这个不适定问题，研究人员通常使用强大的卷积神经网络来提取图像中的先验几何信息，并结合其他先验知识或约束条件来推断深度信息。这些网络可以学习从图像中提取低级特征（如边缘、纹理等），并根据这些特征进行深度估计。这种方法通过引入额外的信息和模型假设来稳定问题，并提高深度估计的准确性。