DiffuseRAW:端到端生成低光 RAW 图像处理
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
通过结合漏光图像的扩散模型和基于物理的曝光模型,使用残差层筛选出迭代过程中的副作用,从而改进了图像增强方法。该方法适用于真实数据集、不同噪声模型和骨干网络,并且具有更好的泛化能力。
Jul, 2023
通过提出一种物理可解释的、生成扩散模型 (Diff-Retinex) 来重新思考低光图像增强任务,将低光图像增强问题形式化为 Retinex 分解和条件图像生成,并通过生成扩散模型实现对低光细节的修复。在真实世界低光数据集上进行的广泛实验定性和定量地证明了所提方法的有效性、优越性和泛化性。
Aug, 2023
本文提出了一种金字塔扩散模型(PyDiff)用于低光图像增强,该模型使用一种新颖的金字塔扩散方法进行采样,同时引入全局校正器以减轻可能出现的全局降级现象,大大提高了性能并使扩散模型的训练更加容易,具有良好的通用性。
May, 2023
本文介绍了一种基于扩散模型的新型通用去噪扩散模型,采用线性插值进行扩散,中间的噪声图像从原始的清晰图像和相应的真实噪声图像进行插值,使得该扩散模型可以处理添加噪声的级别,并且提出了两种采样算法,实验证明该模型在真实去噪基准测试中表现良好。
May, 2023
通过两阶段方法实现高动态范围(HDR)图像增强,第一阶段对颜色和亮度进行映射调整,第二阶段利用扩散先验生成在捕捉中丢失的动态范围极端处的内容,显著提高 LDR 图像的质量和细节。
Jun, 2024
调查论文对使用扩散模型进行图像编辑的现有方法进行了全面的概述,包括理论和实践方面,并从多个角度对这些作品进行了彻底分析和分类,介绍了学习策略、用户输入条件以及可以实现的特定编辑任务的组合。此外,对图像修复和扩展进行了特别关注,并探讨了早期的传统上下文驱动方法和当前的多模态条件方法,全面分析了它们的方法论。最后,讨论当前的限制并展望未来的研究方向。
Feb, 2024
该研究提出了一种混合模型和数据驱动的 ISP 技术,实现了 RAW 和 RGB 域的双向映射和参数学习,通过基于字典的数据增强方法,在 RAW 图像重建和去噪任务中实现了最先进的性能。
Jan, 2022
通过数据驱动方法和深度神经网络,学习相机处理管道,将短曝光、低光原始传感器数据转换为高曝光 sRGB 图像,从而显著提高了极低环境光下捕获图像的视觉质量。
Apr, 2019