LighTDiff: Surgical Endoscopic Image Low-Light Enhancement with T-Diffusion

内窥镜在手术中的应用面临着光线不足等挑战。深度学习，尤其是去噪扩散概率模型（DDPM），在医疗领域的低光图像增强方面具有潜力。然而，DDPM计算要求高且速度慢，限制了它们在实际医疗应用中的应用。为了弥补这一差距，我们提出了一种轻量级DDPM，称为LighTDiff。它采用T形模型架构，利用低分辨率图像捕捉全局结构信息，并逐步恢复后续去噪步骤中的细节。我们进一步倾向于显著减少模型大小，同时保持性能。虽然丢弃某些下采样操作以节省参数会导致训练过程中的不稳定性和低效率，但我们引入了一个时间光单元（TLU），这是一个即插即用的模块，用于更稳定的训练和更好的性能。TLU将时间步骤与去噪图像特征相关联，建立去噪步骤的时间依赖性，并改善去噪结果。此外，在使用扩散模型恢复图像时，注意到可能存在光谱偏移。我们进一步引入了色度平衡器（CB）来减轻这个问题。我们的LighTDiff在计算效率方面表现优异，胜过许多竞争的低光图像增强方法。

提高内窥镜手术中低光照图像的质量

提出了一种轻量级的DDPM模型——LighTDiff，采用T型模型结构和Temporal Light Unit (TLU)模块，以及Chroma Balancer (CB)模块，用于改善DDPM模型在低光照下的图像增强效果

LighTDiff模型在低光照图像增强方面表现出色，具有出色的计算效率，实验结果证明了模型的有效性。研究使用了DDPM模型和其他低光照图像增强方法进行对比实验，使用了多个数据集进行测试。研究还开源了代码。

相关研究包括：Low-light Image Enhancement (LLIE)、Deep Learning-based Image Enhancement（DLIE）等