估计是计算机视觉中常见的问题，如已知一些测量量（图像、特征位置等），估计出一些未知的结构或参数（摄像机位置、物体形状等）的值，这类问题称为“逆问题”。计算机图形学就是一个典型的正向建模问题（已知一些物体、摄像机、光照，模拟出这些条件下产生的图像），计算机视觉则通常是它的逆问题。
对于求解逆问题，我们很多时候可以得到数学的解析解，但是事实是，观测不可能是完全无噪声的，一般而言，除非我们对可能的误差来源建立了模型，并且设计了一个在这些假设的误差影响下也能工作的足够好的算法，否则我们无法确定我们得到的是否是一个合理的算法。
B.1 估计理论
最简单的假设条件：
- 每个噪声因素ni都是一个零均值的正态（高斯）随机变量
- 噪声向量ni是相互独立的
多高斯噪声变量的似然度
在给定x特定值的情况下观察到测量结果{yi}的似然度可以写为
image.png
通常，使用似然度的负对数会更方便一点，可将其看作一种能量
B. 2 最大似然估计与最小二乘
当得到似然度和对数似然度函数后，
B. 3 鲁棒统计学
在大部分情况下，测量要受到更大的外点（异常点）的污染。
这种情况下，使用长尾部的污染误差模型会更合理，为了反映出现严重错误的似然度的增大，要对惩罚函数的余项使用一个鲁棒损失函数p（r）
B. 4 先验模型与贝叶斯推断
可以假设先验分布模型去简化求解最大似然估计的方法，
B. 5 马尔科夫随机场
马尔科夫随机场是最流行的使用于网格状、类似于图像的数据的先验模型。
B 5.1 梯度下降于模拟退火
B 5.2 动态规划
动态规划是一种适用于任何具有树状结构的图模型的高效推断算法，即没有任何环的图模型。
B 5.3 置信传播
B 5.4 图割
B 5.5 线性规划
B. 6 不确定性估计
PS：这部分知识总结的不到位，以后再来继续总结
