通过条件细化提升预训练扩散模型用于低光图像增强的保真度
计算机视觉与模式识别
2025-10-21 v1
摘要
扩散方法利用预训练大型模型如 Stable Diffusion 通过 ControlNet 在Several 低层视觉任务中取得了显著性能。然而，预训练扩散方法(PTDB)往往以牺牲内容保真度为代价来实现更高的感知真实性。在低光场景中，由于暗处导致的信息严重退化，控制效果更为受限。我们识别出保真度损失的两个主要原因：缺乏合适的条件潜在建模，以及在扩散过程中条件潜在与噪声潜在之间缺乏双向互动。为此，我们提出了一种针对预训练扩散模型条件的新型优化策略，在保持真实性和美学的同时提升保真度。该方法引入了一种机制，用于恢复VAE编码期间丢失的空间细节，即包含生成性先验的潜在细化管道。此外，细化后的条件潜在与噪声潜在之间进行动态交互，从而实现更好的恢复效果。我们的做法是即插即用的，无缝集成到现有扩散网络中，以提供更有效的控制。大量实验表明，我们的方法在 PTDB 方法中实现了显著的保真度提升。
关键词
引用
@article{arxiv.2510.17105,
title = {Boosting Fidelity for Pre-Trained-Diffusion-Based Low-Light Image Enhancement via Condition Refinement},
author = {Xiaogang Xu and Jian Wang and Yunfan Lu and Ruihang Chu and Ruixing Wang and Jiafei Wu and Bei Yu and Liang Lin},
journal= {arXiv preprint arXiv:2510.17105},
year = {2025}
}