天文图像复原：盲解卷积为什么这么难
天文图像复原的目标很明确：把被大气、光学系统或探测器模糊掉的图像，还原成接近真实的样子。工程上常说的“去卷积”“去模糊”，数学本质都是同一个问题。
成像模型：一个卷积
在大多数情况下，成像过程可以写成：
g = f ⊗ h + n
g 是拍到的图像，f 是真实目标，h 是点扩散函数（PSF），n 是噪声，⊗ 表示卷积。所谓复原，就是已知 g，求 f。
如果 h 已知，这是个线性反问题。最直接的做法是转到频域做除法，但噪声在高频会被无限放大——这就是为什么朴素的逆滤波几乎必然失败。实用方案是维纳滤波（引入噪声与信号的功率比作为抑制项）或者 Richardson-Lucy 迭代（基于泊松噪声模型，保正性，天文上用得最多）。
问题在于 h 也不知道
天文观测的尴尬之处：PSF 本身是未知的。
大气湍流是随机的，同一晚上不同时刻的 PSF 都不一样；望远镜的像差、跟踪误差、探测器抖动又各自贡献一部分。你没有办法像实验室里那样先测一张点光源的响应，再去复原。
于是问题变成：两个未知数（f 和 h），一个方程。这在数学上是严重欠定的——存在无穷多组 (f, h) 组合能产生同一张 g。这就是盲解卷积（blind deconvolution）的根本困难。
为什么不能“随便找一组解”
因为绝大多数数学上成立的解，物理上都很荒谬。
比如：把 f 设成 g 本身、把 h 设成 δ 函数（不模糊），等式照样成立——但这等于什么都没做。反过来，也可以让 f 变成一堆孤立亮点、让 h 变成复杂的弥散斑，同样能凑出 g。
要挑出“正确”的解，必须引入先验约束：
- h 的参数化：假设 PSF 具有某种形状（高斯、Moffat 轮廓、或者由 Zernike 系数描述），把未知量从几百万个像素压缩到十几个参数。这一步往往决定成败——参数化错了，后面怎么优化都白搭。
- f 的正则化：图像应该是分片平滑的、边缘是稀疏的、亮度非负。全变分（TV）正则、稀疏先验都是这个思路。
- 多帧联合：同一目标拍几十上百帧，假设 f 不变而 h 逐帧变化，就可以从多帧中把 f 和各自的 h 分离出来。散斑成像（speckle imaging）就是这一路。
深度学习的加入，改变了什么
近十年，基于神经网络的复原方法大量涌现。它们的思路是：不去显式建模 h，而是用大量“模糊-清晰”图像对训练一个网络，让它学会从模糊图直接映射到清晰图。
效果在很多基准测试上确实显著优于传统方法，但它带来了新问题：
- 泛化性：在仿真数据上训练的网络，遇到真实望远镜数据（噪声特性、PSF 形态都不同）时性能常常大幅下降。
- 幻觉：网络可能“编造”出数据里并不存在的细节——这在科研场景是致命的。做测光或形态分析时，一个凭空生成的亮点足以让结论出错。
- 不可解释：传统方法能给出残余误差和不确定度，网络很难。
所以现在比较务实的方向是物理约束 + 数据驱动：把成像模型作为网络的一个环节嵌入进去（unrolled network / physics-informed），或者用网络只做参数估计、后续仍走经典复原流程。这样既利用了数据，又保留了可解释的物理框架。
怎么判断复原得好不好
这一点常被忽略。复原结果没有“标准答案”可比对，实践中通常看几个侧面：
- 残差：把复原结果重新卷积 PSF，是否还能还原出原始观测？
- 一致性：改变正则化参数或迭代次数，结果是否稳定？
- 物理合理性：有没有负值、有没有超出探测器动态范围的异常亮斑？
- 下游任务：如果复原是为了测光或做形态分类，那就看下游精度有没有真的提高。
最后一条最重要。图像“看起来更清楚”和“科学上更有用”是两件事，后者才是天文复原的真正目标。