LightenDiffusion: 基于潜在空间Retinex扩散模型的无监督低光照图像增强

在本文中，我们提出了一种基于扩散的无监督框架，将物理可解释的Retinex理论与扩散模型相结合，用于低光照图像增强，命名为LightenDiffusion。具体来说，我们提出了一种内容迁移分解网络，该网络在潜在空间（而非先前方法中的图像空间）中执行Retinex分解，使得未配对的低光照和正常光照图像的编码特征能够被分解为富含内容的反射图和内容无关的照度图。随后，将低光照图像的反射图和正常光照图像的照度图作为扩散模型的输入，在低光照特征的引导下进行无监督恢复，其中进一步提出了一种自约束一致性损失，以消除正常光照内容对恢复结果的干扰，从而提高整体视觉质量。在公开的真实世界基准上的大量实验表明，所提出的LightenDiffusion优于最先进的无监督竞争对手，与监督方法相当，同时对各种场景具有更好的泛化能力。我们的代码可在https://github.com/JianghaiSCU/LightenDiffusion获取。