ECCV2024｜LightenDiffusion 超越现有无监督方法，引领低光图像增强新纪元！

最新推荐文章于 2025-04-05 21:17:54 发布

AI生成未来

最新推荐文章于 2025-04-05 21:17:54 发布

阅读量4.2k

点赞数 15

分类专栏： AIGC 文章标签： AIGC Diffusion model 图像编辑

本文链接：https://blog.csdn.net/AIGCer/article/details/140702569

版权

论文链接：https://arxiv.org/pdf/2407.08939
git链接：https://github.com/JianghaiSCU/LightenDiffusion

亮点直击

提出了一种基于扩散的框架，LightenDiffusion，结合了Retinex理论的优势和扩散模型的生成能力，用于无监督低光图像增强。进一步提出了自我约束的一致性损失，以改善视觉质量。

提出了一个内容传输分解网络，在潜空间中执行分解，旨在获取富含内容的反射率图和无内容的照明图，以促进无监督恢复。

大量实验证明，LightenDiffusion在超越现有的无监督竞争对手的同时，与监督方法相比具有更好的泛化能力。

本文提出了一种基于扩散的无监督框架，将可解释的Retinex理论与低光图像增强的扩散模型相结合，命名为LightenDiffusion。具体而言，提出了一种内容传输分解网络，在潜空间而非图像空间中执行Retinex分解，使得未配对的低光和正常光图像的编码特征能够被分解成富含内容的反射率图和无内容的照明图。随后，将低光图像的反射率图和正常光图像的照明图作为输入，通过扩散模型进行无监督恢复，以低光特征为指导，进一步提出了自我约束的一致性损失，以消除正常光内容对恢复结果的干扰，从而提高整体视觉质量。在公开的真实世界基准数据集上进行了大量实验表明，LightenDiffusion在超越现有无监督竞争对手的同时，与监督方法相媲美，并且更具通用性，适用于各种场景。

方法

概述

本文提出的框架的整体流程如下图2所示。给定一个未配对的低光图像和正常光图像，首先使用一个编码器，它由个级联的残差块组成，每个块使用最大池化层将输入按比例降采样倍，将输入图像转换为潜空间表示，表示为和。然后，设计了一个内容传输分解网络（CTDN），将这些特征分解为富含内容的反射率图和，以及无内容的照明图和。随后，和作为扩散模型的输入，结合低光特征的指导，生成恢复的特征。最后，恢复的特征将送入解码器进行重建，生成最终的恢复图像。