Bootstrap Diffusion Model Curve Estimation for High Resolution Low-Light Image Enhancement

要約

学習ベースの手法は研究で多くの注目を集めており、低照度での画像強調の大幅な改善につながりました。
しかし、それらのほとんどは依然として 2 つの主要な問題に悩まされています。それは、高解像度画像における高価な計算コストと、強調とノイズ除去を同時に行う際のパフォーマンスが不十分であるということです。
これらの問題に対処するために、我々は、通常光画像自体の代わりに曲線パラメータの分布の学習を利用するブートストラップ拡散モデルである BDCE を提案します。
具体的には、高解像度画像を扱うために、ブートストラップ拡散モデルによって曲線パラメータを推定する曲線推定手法を採用しています。
さらに、ノイズ除去モジュールが曲線調整の各反復に適用され、各反復の中間の強調結果のノイズが除去されます。
私たちは一般的に使用されるベンチマーク データセットで BDCE を評価し、広範な実験により、BDCE が最先端の定性的および定量的パフォーマンスを達成することが示されています。

要約(オリジナル)

Learning-based methods have attracted a lot of research attention and led to significant improvements in low-light image enhancement. However, most of them still suffer from two main problems: expensive computational cost in high resolution images and unsatisfactory performance in simultaneous enhancement and denoising. To address these problems, we propose BDCE, a bootstrap diffusion model that exploits the learning of the distribution of the curve parameters instead of the normal-light image itself. Specifically, we adopt the curve estimation method to handle the high-resolution images, where the curve parameters are estimated by our bootstrap diffusion model. In addition, a denoise module is applied in each iteration of curve adjustment to denoise the intermediate enhanced result of each iteration. We evaluate BDCE on commonly used benchmark datasets, and extensive experiments show that it achieves state-of-the-art qualitative and quantitative performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google