FreeEnhance：基于内容一致性加噪-去噪过程的无需调参图像增强

文本到图像生成模型的出现导致人们认识到，将图像增强作为后处理进行可显著提高生成图像的视觉质量。探索扩散模型进行图像增强却并非易事，需要精细地丰富细节，同时保留原始图像中关键内容的视觉外观。本文提出了一种新框架，称为FreeEnhance，用于基于内容一致性的图像增强。技术上，FreeEnhance是一个两个阶段的过程，首先向输入图像添加随机噪声，然后利用预训练的图像扩散模型(即潜在扩散模型)进行去噪和增强图像细节。在加噪阶段，FreeEnhance被设计为对高频区域添加较轻的噪声，以保留原始图像中的高频模式(如边缘、角落)。在去噪阶段，我们提出了三个目标属性作为约束来正则化预测噪声，从而实现高对比度和高视觉质量的图像增强。在HPDv2数据集上进行了大量实验，表明FreeEnhance在定量指标和人类偏好方面均优于当前最先进的图像增强模型。更令人惊讶的是，FreeEnhance在人类偏好方面也优于Magnific AI的商业图像增强解决方案。