Para el problema inverso en modelos físicos, se mide la solución e infiere los parámetros del modelo utilizando información de los datos recopilados. A menudo, estos datos son insuficientes y hacen que el problema inverso esté mal planteado. Estudiamos la mal-posedad en el contexto de la imagen óptica, que es una técnica de imagen médica que utiliza luz para investigar la estructura del tejido (bio). Dependiendo de la intensidad de la luz, el problema directo puede ser descrito por diferentes tipos de ecuaciones. La luz de alta energía dispersa muy poco, y se utiliza la ecuación de transferencia radiativa (RTE) como modelo; la luz de baja energía se dispersa con frecuencia, por lo que la ecuación de difusión (DE) es suficiente como una buena aproximación. Una aproximación multiescala vincula la RTE de tipo hiperbólico con la DE de tipo parabólico. Los problemas inversos para las dos ecuaciones también tienen un paso multiescala, por lo que se espera que a medida que la energía de los fotones disminuye, el problema inverso cambie de bien planteado a mal planteado. Estudiamos este deterioro de estabilidad utilizando la inferencia bayesiana. En particular, utilizamos la divergencia de Kullback-Leibler entre la distribución previa y la distribución posterior basada en la RTE para demostrar que la ganancia de información de la medición desaparece a medida que la energía de los fotones disminuye, de modo que el problema inverso está mal planteado en el régimen difusivo. En el entorno linealizado, también mostramos que el error cuadrático medio de la distribución posterior aumenta a medida que nos acercamos al régimen difusivo.