Zero-LED：低光图像增强零参考照明估计扩散模型

Mar, 2024

Zero-LED：低光图像增强零参考照明估计扩散模型

Zero-LED: Zero-Reference Lighting Estimation Diffusion Model for Low-Light Image Enhancement

Jinhong He, Minglong Xue, Zhipu Liu, Chengyun Song, Senming Zhong

TL;DR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。

Abstract

diffusion model-based low-light image enhancement methods rely heavily on paired training data, leading to limited extensive application. Meanwhile, existing unsupervised methods lack effective bridging capabilit

low-light image enhancement diffusion model zero-reference lighting estimation pairwise training data zero-reference learning

发现论文，激发创造

基于物理四重先验的零参考低光增强

通过基于理论的光传递的光度无关先验、预训练的生成扩散模型以及轻量级版本，我们提出了一个仅使用正常光图像进行训练的零参考低光增强框架，该框架在多种场景下表现出卓越的优越性、良好的可解释性、鲁棒性和效率。

Mar, 2024

DiffLLE: 无监督低光图像增强中的扩散导向领域校准

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

语义引导的零样本低光图像 / 视频增强

本文提出了一种基于语义引导的零样本低光增强网络，用于低光图像的实时检测和分割，并在基准数据集和低光视频上进行了广泛的实验，表明该模型优于先前的最新技术水平。

Oct, 2021

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

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

通过零参考深曲线估计学习提高低光图像

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

低光图像增强的零参考深曲线估计

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

利用零样本日夜领域自适应提升物体检测

通过零样本白天 - 夜晚领域自适应方法，我们在不需要真实低光照数据的情况下，提出了一种增强低光物体检测的方法。我们设计了一个反射率表示学习模块，通过仔细设计的光照不变性增强策略，学习了基于 Retinex 的图像不变性。同时，我们引入了一个互换重组相干步骤，通过进行两次顺序图像重组和引入重组相干损失来改进传统 Retinex 图像分解过程。在 ExDark、DARK FACE 和 CODaN 数据集上进行了大量实验，验证了我们方法的强大低光照普适性。

Dec, 2023

LEDNet: 低光弱化与去模糊联合处理

该研究通过引入新的数据合成流程来模拟真实的低照度模糊退化，提出了联合低照度增强和去模糊的大规模数据集 LOL-Blur，同时提出了一种名为 LEDNet 的有效网络，解决了夜间摄影低照度和模糊问题。

Feb, 2022

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