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

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

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

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

单视角新视角合成是计算机视觉中一项重要而具有挑战性的任务。本文提出了一种基于条件扩散模型的 Light Field Diffusion，通过引入局部像素约束，鼓励更好的多视角一致性，实现高保真图像的生成。

Sep, 2023

这项研究提出了一种利用潜在扩散模型（LDM）对医学图像进行压缩和解压缩的新框架。实验结果表明，该方法优于传统的文件压缩算法，并且使用解压缩文件训练的卷积神经网络（CNN）模型在性能上与使用原始图像文件训练的模型相当。该方法还显著减小了数据集的大小，使其能够以更小的体积进行分发，并且在医疗设备中占用的空间更小。研究还对于有损压缩算法中的降噪和替代复杂的基于小波的无损算法具有重要意义。

Oct, 2023

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

通过学习逐渐将数据分布扩散为高斯噪声的过程，并以随机噪声进行迭代去噪处理，去噪扩散概率模型（DDPMs）在各种图像生成任务中取得了令人印象深刻的性能。本文提出了部分扩散模型（PartDiff），通过将图像扩散到中间潜在状态而不是纯随机噪声来生成新数据，并采用近似于低分辨率图像扩散的潜在状态来逼近中间潜在状态。实验证明，与纯扩散基础的超分辨率方法相比，部分扩散模型可以显著减少去噪步骤的数量而不损失生成的质量。

Jul, 2023

使用 DiffusionCT 模型，通过对不同患者的潜在属性进行转换，实现了 CT 影像的标准化，提供了更一致的基础用于下游分析，并进一步减少了 SPAD 影像中的噪声。

Oct, 2023

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