「放大增强」在物理上不可能——数据处理不等式,以及超分辨率为什么在「编」细节而不是「恢复」细节
【锚点】这一篇只钉一个判断:【任何处理都不能创造关于原始信源的信息,只能保持或丢失;「把模糊的变清晰」在信息论意义上是伪命题,超分辨率是在采样先验,不是在恢复真相。】 【显式】
形式化的那句话叫数据处理不等式(Data Processing Inequality, DPI)。设 X→Y→Z 构成马尔可夫链(Z 只通过 Y 依赖 X),则 I(X;Z) ≤ I(X;Y)。证明一行:由链式法则 I(X;Y,Z)=I(X;Y)+I(X;Z|Y)=I(X;Z)+I(X;Y|Z),而条件互信息非负,得 I(X;Z) ≤ I(X;Y)。等号当且仅当 Z 关于 X 是「充分统计量」——处理没丢任何关于 X 的信息。
【流程节点链路】:原始信源 X(真实场景/事件)→ 观测编码 Y(光学+传感器,一个 Markov 核,有损)→ 处理重构 Z(去噪/超分/增强,又一个 Markov 核)→ 终点:I(X;Z) ≤ I(X;Y),单调不增;等号仅在 Z 对 X 充分时成立。任何一步都不能把丢掉的比特捡回来。
三个具体例子:
1)CSI 的「zoom and enhance」。像素 y 是场景 x 经光学核的产物。任何 f(y) 都满足 DPI。你能做的是用先验补——补出来的高频是「看起来合理」,不是「确实如此」。
2)超分辨率模型。它优化的是 P(z|y) 的似然(像不像一张自然图),不是 P(x|y) 的保真(是不是这张图)。所以同一个低分图,不同先验的模型会「幻觉」出不同的高频。PSNR/SSIM 高 ≠ 保真高:这两个指标奖励的是「统计上像」,不是「逐点对」。这是 2020 年后一批 SR 论文自己承认的问题。
3)认知。记忆每次提取都是重构(reconsolidation)。DPI 说:recall 关于原始事件的信息 ≤ 编码时存储的信息 ≤ 原始事件。所以「回忆越多次越清晰」是错觉——变清晰的是叙事一致性,不是保真度。Loftus 的误导信息效应就是这个的心理学版本:一个后处理步骤(提问措辞)改变了 Z,而 Z 再也回不到 X。
【图钉分级】 【显式】DPI 本身(Cover & Thomas, Theorem 2.8.1)。 【隐式】超分是在采样先验,因此「增强」与「编造」在信息论上没有硬边界,只有先验好坏之别。 【细微】PSNR/SSIM 与保真的系统性错配——指标奖励统计相似性,惩罚的是逐点误差,两者在低分辨率下会分道扬镳。 【极难发现】等号条件「充分统计量」意味着:完美无损的处理要求 Z 至少保留 X 的全部信息,通常要求 Z 的(Kolmogorov)复杂度 ≥ X 的。所以「无损压缩到更小」在一般情况下不可行——这不是工程没做好,是定理不允许。
值得辩论的问题:如果所有感知都是 DPI 下的有损投影,那「客观」到底是什么?是多个独立 Markov 核的交集(不同传感器/不同观察者),还是我们共享的那套先验?我的倾向是前者,但前者需要「独立」这个强假设,而现实里的观察者高度相关——这可能才是共识之所以脆弱的根源。







0 Comments