Global Structure-Aware Diffusion Process for Low-Light Image Enhancement

要約

この論文では、低光量の画像強調の問題に対処するための拡散ベースのフレームワークを研究します。
拡散モデルの機能を活用するために、私たちはこの複雑なプロセスを詳しく調べ、その固有の ODE 軌道の正規化を提唱します。
具体的には、曲率の低い ODE 軌道が安定した効果的な拡散プロセスをもたらすという最近の研究に触発されて、画像データの固有の非局所構造に固定された曲率正則化項、つまりグローバル構造を意識した正則化を定式化します。
これにより、複雑なディテールの保存と拡散プロセス中のコントラストの強化が徐々に容易になります。
この組み込みにより、拡散プロセスに起因するノイズやアーティファクトの悪影響が軽減され、より正確で柔軟なエンハンスメントが可能になります。
困難な領域での学習をさらに促進するために、画像の最も極端な領域の制約を賢明に緩和する不確実性ガイド正則化手法を導入します。
実験による評価により、提案された拡散ベースのフレームワークが、ランク情報に基づいた正則化によって補完され、低照度強調において優れたパフォーマンスを達成することが明らかになりました。
結果は、最先端の方法と比較して、画質、ノイズ抑制、コントラスト増幅が大幅に進歩していることを示しています。
私たちは、この革新的なアプローチが低照度画像処理のさらなる探索と進歩を刺激し、拡散モデルの他のアプリケーションにも潜在的な影響を与えると信じています。
コードは https://github.com/jinnh/GSAD で公開されています。

要約(オリジナル)

This paper studies a diffusion-based framework to address the low-light image enhancement problem. To harness the capabilities of diffusion models, we delve into this intricate process and advocate for the regularization of its inherent ODE-trajectory. To be specific, inspired by the recent research that low curvature ODE-trajectory results in a stable and effective diffusion process, we formulate a curvature regularization term anchored in the intrinsic non-local structures of image data, i.e., global structure-aware regularization, which gradually facilitates the preservation of complicated details and the augmentation of contrast during the diffusion process. This incorporation mitigates the adverse effects of noise and artifacts resulting from the diffusion process, leading to a more precise and flexible enhancement. To additionally promote learning in challenging regions, we introduce an uncertainty-guided regularization technique, which wisely relaxes constraints on the most extreme regions of the image. Experimental evaluations reveal that the proposed diffusion-based framework, complemented by rank-informed regularization, attains distinguished performance in low-light enhancement. The outcomes indicate substantial advancements in image quality, noise suppression, and contrast amplification in comparison with state-of-the-art methods. We believe this innovative approach will stimulate further exploration and advancement in low-light image processing, with potential implications for other applications of diffusion models. The code is publicly available at https://github.com/jinnh/GSAD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google