高效扩散模型作为低光增强器
计算机视觉与模式识别
2026-03-19 v3 人工智能
摘要
基于扩散的低光图像增强（LLIE）中的迭代采样过程计算负担仍是主要挑战。当前加速方法，无论是基于训练的还是无训练的，常导致显著性能下降，凸显了性能与效率之间的权衡。本文识别出导致性能下降的两个主要因素：拟合误差和推理差距。我们的关键洞察是，通过线性外推不正确的评分函数可减轻拟合误差，而通过将高斯流移向反射率感知的残差空间可缩减推理差距。基于上述洞察，我们设计了反射率感知轨迹细化（RATR）模块，用于利用图像的反射率分量细化教师轨迹。随后，我们引入反射率感知扩散并利用蒸馏轨迹（ReDDiT），一个专为LLIE设计的高效且灵活的蒸馏框架。我们的框架仅需2步即可实现与先前扩散方法相同性能，同时在8步或4步时达成新型最佳结果（SOTA）。在10个基准数据集上的全面实验验证表明，我们的方法持续优于现有SOTA方法。
引用
@article{arxiv.2410.12346,
title = {Efficient Diffusion as Low Light Enhancer},
author = {Guanzhou Lan and Qianli Ma and Yuqi Yang and Zhigang Wang and Dong Wang and Xuelong Li and Bin Zhao},
journal= {arXiv preprint arXiv:2410.12346},
year = {2026}
}
备注
CVPR 2025 Camera Ready