一、概括
- 用扩散模型估计增强图像中的噪声,然后去噪。
二、摘要
1、任务
- 低光图像增强(LLIE):将低质量的低光照图像恢复到高质量的正常光照图像
- 后处理降噪器:对增强后的图像进行去噪
2、现有方法不足
- 增强方法:会有各种图像退化,如噪声和颜色偏差
- 后处理降噪器:会产生缺乏细节的过度平滑结果
3、本文贡献
- 一种在 LLIE 管道中应用扩散模型作为后处理技术的方法(LPDM)
- 模拟曝光不足和正常曝光图像之间的条件分布,避免逆向生成的计算成本
- 能够处理各种不同的伪像和颜色失真
三、相关工作
1、扩散模型
-
前向扩散过程
每步加噪符合高斯分布:
推理出以 x 0 x_0 x0为条件的高斯分布:
进而通过 x 0 x_0 x0和 t t t 直接计算 x t x_t xt:
-
反向条件扩散过程
以 c c c为条件,每步去噪符合高斯分布:
__ Σ θ Σ_θ Σθ 设为定值,不学习; µ θ µ_θ µθ 不直接学习
-
优化目标:
- __ 随机生成
ε
ε
ε,根据公式(3)直接计算出
x
t
x_t
xt
__ 根据 x t x_t xt,用模型估计 ε θ ε_θ εθ
__ 进而计算出估计的 x t x_t xt
- __ 随机生成
ε
ε
ε,根据公式(3)直接计算出
x
t
x_t
xt
2、Unet网络
-
原始Unet
编码器:残差块+下采样
中间块:残差块
解码器:残差块+上采样 -
对Unet进行修改
以正弦位置嵌入表示的时间步信息为条件
不同空间分辨率下使用注意力机制
在残差块内使用组归一化
__ 残差块结构
四、方法模型
1、思路
- 将扩散模型训练为噪声检测器,进而去除增强图像的噪声
2、框架
- 训练:加噪的正常图像和低光图像作为输入,输出加噪图像的噪声
- 推理:将增强图像和低光图像作为输入,输出增强图像中的噪声
3、形式化表达
- 噪声的估计值:
- 减去噪声:
4、过程图示
- __ 第二行:不同t值的结果
__ 第三行:不同Φ值的估计结果(Φ值低会高估噪声,Φ值高会尝试生成图像)
__ 第四行:不同s值的去噪结果
五、实验结果
1、定量结果
-
LOL数据集结果
-
未配对数据集结果