ECCV2024｜LightenDiffusion：超越现有无监督方法，引领低光图像增强新纪元！

今日应用

Rephrase AI

人工智能合成视频创建平台，可在几分钟内将纯文本转换为高度吸引人的专业质量视频。

今日话题

ECCV2024｜LightenDiffusion：超越现有无监督方法，引领低光图像增强新纪元！

 

重点标签 LightenDiffusion、无监督低光图像增强、内容传输分解网络、Latent-Retinex扩散模型、自约束一致性损失

文章摘要

摘要：
本文提出了一种名为LightenDiffusion的无监督低光图像增强框架，该框架结合了Retinex理论和扩散模型的优势。通过内容传输分解网络（CTDN）和Latent-Retinex扩散模型（LRDM），实现了在潜空间中对低光和正常光图像的特征进行分解和恢复。此外，还引入了自约束一致性损失来提高恢复图像的视觉质量。实验结果表明，LightenDiffusion在多个真实世界基准数据集上超越了现有的无监督方法，并与监督方法相比具有更好的泛化能力。

方法：
1. 内容传输分解网络（CTDN）：在潜空间中执行Retinex分解，生成富含内容的反射率图和无内容的照明图。
2. Latent-Retinex扩散模型（LRDM）：利用扩散模型的生成能力，结合低光特征的指导，进行无监督恢复。
3. 自约束一致性损失：约束恢复的特征与输入的低光图像共享相同的内在信息，提高视觉质量。

实验：
1. 与现有方法的比较：在LOL、LSRW、DICM、NPE和VV数据集上，LightenDiffusion在定量和定性上均优于现有的无监督方法，并在某些情况下超过了监督方法。
2. 低光人脸检测：在DARK FACE数据集上，LightenDiffusion作为预处理步骤，显著提高了低光人脸检测的精度。
3. 消融实验：验证了潜空间分解策略、CTDN网络和自约束一致性损失的有效性。

结论：
LightenDiffusion通过在潜空间内进行特征分解和利用扩散模型的生成能力，实现了无监督低光图像增强。实验结果证明了其在视觉质量和泛化能力上的优势。

文章来源

原文地址: 点我阅读全文
原文作者: 极市平台