Diff-Retinex: Rethinking Low-light Image Enhancement with A Generative Diffusion Model 论文阅读

1. 研究目标与实际意义

1.1 研究目标

论文旨在解决低光照图像增强（Low-Light Image Enhancement, LLIE）中的核心挑战，包括暗光条件下的细节丢失、噪声干扰、颜色偏差以及场景内容缺失等问题。作者提出了一种结合物理模型（Retinex理论）与生成扩散模型（Generative Diffusion Model）的新型框架——Diff-Retinex，通过分解-生成范式实现对低光照图像的高质量增强。

1.2 实际问题与产业意义

低光照图像在安防监控、医学成像、自动驾驶等领域广泛存在。传统方法依赖手工设计的先验或简单物理模型，难以应对复杂退化；基于深度学习的端到端方法则缺乏物理可解释性。Diff-Retinex通过生成式扩散模型补充缺失信息，并结合Retinex分解的物理可解释性，为实际应用提供了更鲁棒的解决方案。

---

2. 创新方法与模型设计）

2.1 整体框架

Diff-Retinex分为三个模块（如图2所示）：

1. Transformer分解网络（TDN）：将输入图像分解为光照图（Illumination Map）和反射图（Reflectance Map）。
2. 反射扩散调整（RDA）与光照扩散调整（IDA）：分别对反射和光照分量进行生成式修复。

2.2 Transformer分解网络（TDN）

2.2.1 Retinex分解的数学建模

根据Retinex理论，图像分解为：
$$I=R\cdot L(1)$$
其中，$I$为输入图像，$R$为反射图（场景内容），$L$为光照图（局部平滑）。优化目标为：
$$\underset{R,L}{\min }\tau (R\cdot L)+\alpha \varphi (R)+\beta \psi (L)(2)$$

• 重构损失（$\tau$）：确保分解后的$R$和$L$能重建原图。
• 反射一致性损失（$\varphi$）：约束不同光照条件下的反射图一致性。
• 光照平滑损失（$\psi$）：强制光照图的局部平滑性。

2.2.2 损失函数设计

1. 重构损失（式3）：
   $$L_{rec}=\Vert R_n\cdot L_n-I_n{\Vert }_1+{\alpha }_{rec}\Vert R_l\cdot L_l-I_l{\Vert }_1+\xi (L_{crs})$$
2. 反射一致性损失（式4）：
   L r c = ∥ R