(CVPR 2024) FourierDiff：零样本扩散模型，突破低光增强与去模糊瓶颈

FourierDiff 提出了一种基于 傅里叶先验引导的扩散模型，能够 零样本 地同时完成 低光照增强和去模糊，在 无需配对训练数据 的情况下，在真实世界场景下取得了 更自然的亮度和更清晰的细节。

现有方法的局限性：

• 传统 低光照增强 方法改善亮度但无法处理模糊，导致增强后的图像仍然模糊。

• 传统 去模糊 方法在低光照环境下表现不佳，假设图像拍摄于良好照明条件。

• 现有联合方法（如 LEDNet）依赖于 配对的合成数据 训练，泛化能力不足，在真实场景下效果欠佳。

研究核心问题：
如何在 未知真实世界退化条件 下，同时进行 低光照增强 和 去模糊，无需配对数据，并取得 自然亮度和清晰细节 的高质量图像？

技术亮点

1.  傅里叶先验指导扩散模型
   • 研究发现 亮度信息主要集中在振幅（amplitude），而 结构信息主要保留在相位（phase）。

   • Four