Aug, 2023

DiffLLE: 无监督低光图像增强中的扩散导向领域校准

PDF
TL;DR本文提出了一种名为 DiffLLE 的基于扩散模型的无监督低光图像增强方法，通过扩散模型能有效地减少噪声，并在实际应用中桥接了真实低光域和训练降解域之间的差距，从而提高了增强模型的稳健性和有效性。
unsupervised low-light image enhancementdiffllediffusion-based domain calibrationdiffusion-guided degradation calibrationfine-grained target domain distillation
发现论文，激发创造
  • Zero-LED：低光图像增强零参考照明估计扩散模型

    提出了一种基于扩散模型的零参考光估计扩散模型，用于低光图像增强，通过零参考学习成功地弥补了对成对训练数据的依赖，并通过与初始优化网络之间的双向约束实现光照增强。

    Mar, 2024

  • LLDiffusion: 低光图像增强中的扩散模型中学习衰减表示

    提出了一种基于扩散模型的降级感知学习方案，通过有效整合降级表示和图像先验进程，从而改善图像增强效果。并且在多个基准数据集上的实验证明，该方法在定量和定性上优于现有的低光图像增强方法。

    Jul, 2023

  • LighTDiff：使用 T-Diffusion 进行手术内窥镜图像低光增强

    通过使用 T 形模型架构对低分辨率图像进行全局结构信息的捕捉，并逐步恢复细节，我们提出了一种轻量级的 DDPM（LighTDiff），该模型在保留性能的同时显著减小了模型大小。同时，我们引入了时间光单元（TLU）来实现稳定训练和改善去噪结果，通过与去噪图像特征建立时间步骤的关联，建立去噪步骤的时间依赖性。此外，我们还引入了色度平衡器（CB）来缓解扩散模型中可能存在的光谱变化问题。我们的 LighTDiff 在计算效率方面优于许多竞争的 LLIE 方法。

    May, 2024

  • 让潜在的扩散模型能够在黑暗中看见

    通过将训练于大规模开放领域数据集的扩散模型变为生成先验，提出了一种新颖的基于扩散模型的低光图像增强方法，称为 LDM-SID，该方法通过向扩散模型中插入一组所提出的驯服模块来引导其生成过程，并在观察到扩散模型不同部分的特定生成先验后，将低频内容生成和高频细节维护二分，从而实现对扩散模型的优化结构生成和细节增强。广泛实验证明该方法在定量评估中实现了最先进的性能，并在视觉比较中显示出显著的优越性，从而强调了利用预训练的扩散模型作为 LLIE 任务的生成先验的有效性。

    Dec, 2023

  • 基于小波扩散模型的低光照图像增强

    我们提出了一种名为 DiffLL 的稳健和高效的基于扩散模型的低光图像增强方法，它利用波浪变换加速推理并降低计算资源使用但不损失信息，并通过前向扩散和反向去噪实现稳定去噪和减少随机性。我们还设计了高频率恢复模块，利用图像的垂直和水平细节来补充对角信息以实现更好的细粒度恢复。大量实验证明，我们的方法在定量和视觉上均优于现有的最先进方法，并且与以前的扩散方法相比，在效率上获得了显着的提高。此外，我们还经验性地证明了方法在低光人脸检测方面的潜在实际价值。

    Jun, 2023

  • 点亮夜晚：自动驾驶中无配对低光增强的多条件扩散框架

    我们的研究介绍了一种名为 LightDiff 的领域定制框架，该框架旨在增强自动驾驶应用中低光照图像的质量，通过使用多条件控制扩散模型并运用增强学习来引导扩散训练过程，从而在夜间条件下显著提高多个先进的三维检测器的性能并实现高视觉质量分数。

    Apr, 2024

  • CLE 扩散：可控光增强扩散模型

    低光增强变得越来越重要；我们提出了一种能够提供丰富可控性的 Controllable Light Enhancement Diffusion Model（CLE Diffusion）扩散框架，利用条件扩散模型和照明嵌入来让用户控制所需的亮度水平，同时结合 Segment-Anything Model（SAM）进行用户友好的区域可控性，以实现出色的性能和多样化的可控性。

    Aug, 2023

  • 基于扩散模型的卫星低光图像增强

    本文提出了一种基于扩散模型的飞行器低光图像增强方法，通过一种数据集收集方案和自动化的物理模拟生成器来对数据进行预处理。我们的方法在图像亮度增强方面表现更好，在图像质量方面与以前的方法相当。

    Jun, 2023

  • 基于扩散的图像转换在领域自适应语义分割中的应用

    通过使用源领域标签作为图像翻译的明确指导，本文提出了一种创新的方法来解决领域自适应语义分割中的语义一致的局部细节保持问题，并利用了渐进翻译学习策略来实现在具有大差距领域中可靠工作的语义梯度引导方法。大量实验证明了我们方法相对于最先进的方法的优越性。

    Aug, 2023

  • DomainStudio: 使用有限数据对领域驱动图像生成的扩散模型进行微调

    本文提出了一种 DomainStudio 方法，用于将在大规模源数据集上预先训练的 DDPMs 调整到目标域，以在目标域中生成高质量且具有多样性的样本，从而实现无条件少样本图像生成。

    Jun, 2023