高分辨率低光照图像增强的 Bootstrap 扩散模型曲线估计
本文提出了一种称为自参考深度自适应曲线估计(Self-DACE)的两阶段低光图像增强方法。第一阶段介绍了一种直观、轻量级、快速和无监督的亮度增强算法,该算法基于一种新颖的低光增强曲线,可用于本地增强图像亮度。同时,我们提出了一个新的损失函数,配备了一个简化的物理模型,旨在保留自然图像的颜色、结构和保真度。我们使用一个普通的 CNN 通过深度自适应调整曲线(AAC)对每个像素进行映射,同时保留局部图像结构。其次,我们引入相应的降噪方案来去除图像中存在的噪声。我们对暗部噪声进行了近似建模,并使用降噪网络在第一阶段后估计和去除噪声。全面的定性和定量分析显示,我们的方法在多个实际数据集上优于现有的最先进算法。
Aug, 2023
该论文提出了一种新的零参考深曲线估计方法(Zero-DCE),它将受光增强任务视为深度网络中的图像特定曲线估计任务。我们通过训练一个轻量级的深度网络 DCE-Net 来估计给定图像的像素级和高阶曲线,以进行动态范围调整。Zero-DCE 有很强的适用性,即在训练期间不需要任何成对或无序数据进行参考。通过一组精心设计的非参考损失函数,我们实现了对非参考图像增强质量的隐式度量,并驱动网络学习。我们的方法具有高效性和可解释性,因为图像增强可以通过直观和简单的非线性曲线映射来实现。尽管简单,我们展示了它对不同光照条件的良好推广能力。在各种基准测试上进行的大量实验定量和定性地展示了我们方法的优势。此外,我们还讨论了 Zero-DCE 对于在黑暗中进行人脸检测的潜在优势。
Jan, 2020
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
该论文提出了一种新颖的方法,称为 Zero-Reference Deep Curve Estimation (Zero-DCE),它将图像增强的问题转化为深度网络中的图像特定曲线估计问题。该方法通过训练一个轻量级的深度网络,DCE-Net,针对给定图像估计像素级和高阶曲线以进行动态范围调整。Zero-DCE++ 是 Zero-DCE 的加速和轻量级版本,具有快速的推理速度,同时保持 Zero-DCE 的增强性能。
Mar, 2021
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
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
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
使用扩散模型解决逆问题是一个增长迅速的研究领域。我们设计了一种基于期望最大化(EM)估计方法和扩散模型的算法,通过近似计算扩散模型的样本绘制的逆问题的期望对数似然,以及最大化步骤来估计未知的模型参数。我们还引入了一种基于 Plug & Play 去噪器的新型模糊核正则化方法。通过对盲目图像去模糊进行广泛实验证明了我们的方法与其他最先进方法相比的有效性。
Sep, 2023
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。
Aug, 2023
扩散模型在图像生成和编辑领域取得了显著的成功。我们提出了一种创新的框架,其中包含一个修正模块,用残差特征调节扩散模型权重,以填补编辑过程中准确性的差距。此外,我们引入了一种新的学习范式,旨在在编辑过程中最小化错误传播。通过大量实验证明,我们的提议框架和训练策略在各种去噪步骤下实现了高保真的重建和编辑结果,并在定量指标和质量评估方面表现出色。此外,我们还通过图像到图像的转换和跨领域图像编辑等多个应用探索了模型的泛化能力。
Dec, 2023