Tell Me What You See: Text-Guided Real-World Image Denoising

在低光条件下的图像重建是一个具有挑战性的问题。已经提出了许多解决方案，其中主要方法是尝试学习自然图像的良好先验知识并对场景中真实噪声的统计建模。在极低光照条件下，这些方法通常不足，需要额外的信息，例如使用多个拍摄。在这项工作中，我们提出了一种替代方案，即添加场景描述作为先验条件，摄影师可以轻松完成这项工作。使用文本条件扩散模型，我们展示了在合成和真实世界图像上添加图像标题信息可以显著提高低光条件下的图像重建。

本论文旨在解决低光条件下图像重建的问题，提出了一种使用图像描述信息作为先验知识的方法。

使用文本条件扩散模型，将图像描述信息作为先验知识，能够显著提高低光条件下的图像重建效果。

论文的实验结果表明，使用图像描述信息能够在合成和真实图像上显著提高低光条件下的图像重建效果。同时，论文使用了公开数据集进行了实验，并提供了开源代码。

在此领域的相关研究中，也有一些使用多个图像进行重建的方法，但是本论文提出的使用图像描述信息作为先验知识的方法相对较新。相关论文包括：'Low-Light Image Enhancement Using a Generative Adversarial Network with an Attention Mechanism'，'Multi-frame Image Super-Resolution via Joint Learning of Low- and High-resolution Images'等。