Deblurring

Ein Foto wird unscharf, wenn die Kamera während der Aufnahme wackelt oder sich das Motiv bewegt. Jeder Bildpunkt wird dann über mehrere Nachbarpunkte verschmiert. Deblurring ist der Versuch, diese Verschmierung rückwärts zu rechnen und das scharfe Bild zurückzugewinnen. Das ist schwieriger, als es klingt: Aus dem unscharfen Bild allein lässt sich nicht eindeutig ablesen, wie das Original ausgesehen hat. Ein Programm muss also raten, welche scharfe Version am plausibelsten ist. Genau dieses Raten übernehmen heute Programme, die aus sehr vielen Beispielbildern gelernt haben, wie echte Bilder normalerweise aussehen.

Warum verwackelte Bilder mehr als ein Ärgernis sind

Für Privatfotos ist Unschärfe nur unschön. In anderen Bereichen macht sie Aufnahmen unbrauchbar. Eine Überwachungskamera, die ein Nummernschild nur verschmiert erfasst, liefert keine verwertbare Information. Ein Mikroskopbild aus der Medizin, in dem Zellgrenzen verwischen, lässt sich nicht sicher auswerten.

Deblurring ist außerdem ein Ersatz für teure Hardware. Scharfe Bilder bei wenig Licht bräuchten normalerweise große Objektive und lichtstarke Sensoren. Ein Handy hat dafür keinen Platz. Stattdessen nimmt es dunkle Bilder mit langer Belichtungszeit auf und korrigiert die Unschärfe hinterher per Software. Dieses Prinzip nennt man Computational Photography: Die Rechenleistung ersetzt die Optik.

Wichtig ist dabei eine Abgrenzung. Deblurring entfernt Unschärfe, Super-Resolution erhöht die Auflösung, und Denoising entfernt Bildrauschen, also die körnigen Farbflecken bei Dunkelheit. Die drei Aufgaben sind verwandt und werden oft von einem einzigen Modell gemeinsam gelöst. Gemeint ist aber jeweils etwas anderes.

Von der Unschärfe-Formel zum lernenden Netz

Klassisch beschreibt man Unschärfe mathematisch mit einem sogenannten Kernel. Das ist eine kleine Tabelle von Zahlen, die angibt, wie stark ein Bildpunkt auf seine Nachbarn verschmiert wird. Kennt man diesen Kernel, kann man die Rechnung im Prinzip umkehren. Bei Wackelunschärfe ist der Kernel jedoch unbekannt, weil niemand die exakte Handbewegung protokolliert hat. Das Verfahren muss dann Kernel und scharfes Bild gleichzeitig schätzen.

Moderne Systeme umgehen dieses Problem. Sie trainieren ein neuronales Netz, also ein Programm, das seine Rechenregeln selbst aus Beispielen ableitet. Dafür nimmt man Millionen scharfe Fotos und macht sie künstlich unscharf. Jedes Paar aus unscharfem und scharfem Bild ist ein Lernbeispiel. Das Netz passt seine internen Zahlenwerte so lange an, bis seine Ausgabe dem scharfen Original möglichst nahekommt.

Ein typischer Irrtum ist, dass dabei verlorene Information zurückkommt. Das passiert nicht. Das Netz erfindet Details, die statistisch zu dem passen, was es gelernt hat. Oft trifft es gut, manchmal erzeugt es aber Buchstaben oder Gesichtszüge, die im Original nie da waren. Vor Gericht sind so rekonstruierte Bilder deshalb kein verlässlicher Beweis.

Deblurring in Handykameras und Bildarchiven

Am häufigsten begegnet man Deblurring, ohne es zu merken: in der Kamera-App des Smartphones. Funktionen wie Nachtmodus oder Gesichtsschärfung kombinieren mehrere Aufnahmen und rechnen die Bewegungsunschärfe heraus. Auch Bildbearbeitungsprogramme bieten Werkzeuge mit Namen wie „Schärfen“ oder „Unscharf maskieren“ an. Manche verstärken nur Kanten, andere nutzen echte Deblurring-Modelle.

In den Nachrichten taucht das Thema bei Kamera-Vorstellungen und bei Streit um Bildbeweise auf. Wenn Hersteller mit „KI-Fotografie“ werben, ist Deblurring meist ein Teil davon. Gleichzeitig diskutieren Fachleute, ab wann ein so bearbeitetes Foto kein Dokument der Wirklichkeit mehr ist.

Fachlich relevant ist Deblurring auch außerhalb der Fotografie. Astronomen rechnen die Verzerrung durch die Luftschichten aus Teleskopbildern heraus. Archive schärfen alte Filmaufnahmen für Restaurierungen. Und selbstfahrende Autos brauchen scharfe Bilder bei hoher Geschwindigkeit, weil ihre Kameras sonst nur Schlieren sehen.