DiffRetouch: Using Diffusion to Retouch on the Shoulder of Experts

图像修饰的目的是提高照片的视觉质量。考虑到用户的不同审美偏好，修饰的目标是主观的。然而，当前的修饰方法大多采用确定性模型，这不仅忽略了专家修饰结果中的风格多样性，倾向于在训练过程中学习平均风格，而且在推理过程中缺乏样本多样性。在本文中，我们提出了一种基于扩散的方法，名为DiffRetouch。由于扩散具有出色的分布建模能力，我们的方法可以捕捉训练数据中涵盖各种视觉愉悦风格的复杂精细修饰分布。此外，我们提供了四个可调整的图像属性，以提供用户友好的编辑机制。通过在指定范围内调整这些属性，用户可以在学习的精细修饰分布内自定义所喜欢的风格。此外，我们引入了仿射双边网格和对比学习方案，以处理纹理失真和控制不敏感性问题。广泛的实验证明了我们的方法在视觉吸引力和样本多样性方面的卓越性能。代码将向社区提供。

本论文旨在解决图像修饰中的样式多样性问题，提出了一种基于扩散的方法，名为DiffRetouch。

DiffRetouch利用扩散的分布建模能力，捕捉了训练数据中各种视觉美感风格的复杂精细修饰分布。此外，四个图像属性可调整，提供了用户友好的编辑机制。

该方法在处理纹理失真和控制不敏感性方面引入了仿射双边网格和对比学习方案。实验表明，该方法在视觉吸引力和样本多样性方面具有优越性能。作者将代码开源给社区。

最近的相关研究包括：1. 'Deep Photo Enhancer: Unpaired Learning for Image Enhancement from Photographs with GANs'；2. 'FastPhotoStyle: A Closed-form Solution to Photorealistic Image Stylization'；3. 'Learning to See in the Dark'。