计算机科学>计算机视觉和模式识别
标题: LLDiffusion:用于微光图像增强的扩散模型中的学习退化表示
摘要: 当前用于微光图像增强(LLIE)的深度学习方法通常依赖于从配对数据中学习的逐像素映射。 然而,这些方法往往忽视了考虑退化表示的重要性,这可能导致次优结果。 本文通过提出一种使用扩散模型的LLIE降级软件学习方案来解决这一局限性,该方案有效地将降级和图像先验信息集成到扩散过程中,从而改进图像增强。 我们提出的退化感知学习方案是基于这样一种理解,即退化表示在准确建模和捕捉微光图像中存在的特定退化模式方面发挥着至关重要的作用。 为此,首先,提出了一种用于图像生成和图像增强的联合学习框架,以学习退化表示。 其次,为了利用学习到的退化表示,我们开发了一个具有设计良好的动态扩散模块的微光扩散模型(LLDiffusion)。 本模块考虑了颜色图和潜在退化表示,以指导扩散过程。 通过结合这些调节因素,考虑到固有的退化模式和所需的色彩保真度,所提出的LLDiffusion可以有效增强微光图像。 最后,我们在几个著名的基准数据集上评估了我们提出的方法,包括合成和实际的未配对数据集。 对公共基准的大量实验表明,我们的LLDiffusion在数量和质量上都优于最先进的LLIE方法。 源代码和预训练模型可在 此https URL .