低光图像增强的扩散模型：多视角分类与性能分析
计算机视觉与模式识别
2025-10-08 v1 人工智能
机器学习
摘要
低光图像增强 (LLIE) 在监控、自动驾驶和医学成像等安全关键型应用中至关重要，由于可见性下降可能影响下游任务性能。最近，扩散模型因其通过迭代去噪建模复杂图像分布的能力，成为 LLIE 的前景生成范式。本综述提供了关于扩散模型用于 LLIE 的最新批判性分析，区别于其他综述的关键特征在于，对比 Generative Adversarial Network 和 Transformer 基于的最先进方法的深入绩效评估、对实际部署挑战的彻底检视，以及对新兴范式（如基础模型）作用的前瞻性视角。我们提出了一种多视角分类法，包含六大类别：固有分解、谱与潜在、加速、引导、多模态和自主；这些类别映射了增强方法如何在物理先验、条件方案和计算效率之间进行划分。我们的分类基于模型机制和条件信号的混合视角。我们评估了定性失效模式、基准不一致性以及可解释性、泛化性和推理效率之间的权衡。我们还讨论了现实世界部署约束（如内存、能源使用）和伦理考虑。这项综述旨在通过突出趋势和暴露开放性研究问题，为下一代基于扩散的 LLIE 研究提供指引，包括新兴条件、实时适应以及基础模型的潜力。
关键词
引用
@article{arxiv.2510.05976,
title = {Diffusion Models for Low-Light Image Enhancement: A Multi-Perspective Taxonomy and Performance Analysis},
author = {Eashan Adhikarla and Yixin Liu and Brian D. Davison},
journal= {arXiv preprint arXiv:2510.05976},
year = {2025}
}