今日应用
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