Unsupervised Low-light Image Enhancement with Lookup Tables and Diffusion Priors

要約

低照度画像強調 (LIE) は、照明環境が悪い場合に劣化した画像を正確かつ効率的に回復することを目的としています。
最近の高度な LIE 技術ではディープ ニューラル ネットワークが使用されており、多くの低標準光画像ペア、ネットワーク パラメーター、および計算リソースが必要です。
その結果、実用性は制限されます。
この研究では、効率的な低照度画像回復を達成するために、拡散事前分布とルックアップ テーブル (DPLUT) に基づいた新しい教師なし LIE フレームワークを考案しました。
提案されたアプローチは、光調整ルックアップ テーブル (LLUT) とノイズ抑制ルックアップ テーブル (NLUT) という 2 つの重要なコンポーネントで構成されます。
LLUT は、一連の教師なし損失を使用して最適化されます。
これは、特定の画像のダイナミック レンジ調整のためのピクセルごとの曲線パラメーターを予測することを目的としています。
NLUT は、光が明るくなった後に増幅されたノイズを除去するように設計されています。
拡散モデルはノイズに敏感であるため、高性能のノイズ抑制を実現するために拡散プリアが導入されます。
広範な実験により、私たちのアプローチが視覚的な品質と効率の点で最先端の方法よりも優れていることが実証されました。

要約(オリジナル)

Low-light image enhancement (LIE) aims at precisely and efficiently recovering an image degraded in poor illumination environments. Recent advanced LIE techniques are using deep neural networks, which require lots of low-normal light image pairs, network parameters, and computational resources. As a result, their practicality is limited. In this work, we devise a novel unsupervised LIE framework based on diffusion priors and lookup tables (DPLUT) to achieve efficient low-light image recovery. The proposed approach comprises two critical components: a light adjustment lookup table (LLUT) and a noise suppression lookup table (NLUT). LLUT is optimized with a set of unsupervised losses. It aims at predicting pixel-wise curve parameters for the dynamic range adjustment of a specific image. NLUT is designed to remove the amplified noise after the light brightens. As diffusion models are sensitive to noise, diffusion priors are introduced to achieve high-performance noise suppression. Extensive experiments demonstrate that our approach outperforms state-of-the-art methods in terms of visual quality and efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google