LightenDiffusion: Unsupervised Low-Light Image Enhancement with Latent-Retinex Diffusion Models

本文提出了一种基于扩散的无监督框架，将可解释的Retinex理论与扩散模型相结合，用于低光图像增强，命名为LightenDiffusion。具体而言，我们提出了一种内容传输分解网络，该网络在潜在空间而非图像空间中执行Retinex分解，使得未配对的低光和正常光图像的编码特征能够被分解为富含内容的反射率图和无内容的照明图。随后，低光图像的反射率图和正常光图像的照明图被作为输入送入扩散模型进行无监督恢复，并在低光特征的指导下进行，进一步提出了自我约束的一致性损失，以消除正常光内容对恢复结果的干扰，提高整体视觉质量。在公开的真实世界基准测试上进行了大量实验，结果表明，所提出的LightenDiffusion优于最先进的无监督竞争对手，并且与监督方法相当，同时更具有普适性，适用于各种场景。我们的代码可在https://github.com/JianghaiSCU/LightenDiffusion上获得。

本论文的问题是如何通过物理可解释的Retinex理论和扩散模型，提出一种无监督的低光图像增强方法，名为LightenDiffusion。

本论文的关键思路是使用内容传输分解网络，在潜在空间中执行Retinex分解，将未配对的低光和正常光图像的编码特征分解为富含内容的反射图和无内容的照明图。然后，将低光图像的反射图和正常光图像的照明图作为扩散模型的输入，利用低光特征进行无监督恢复，进一步提出自我约束一致性损失，消除正常光内容对恢复结果的干扰，提高整体视觉质量。

本论文的亮点包括：1. 提出了一种无监督的低光图像增强方法，名为LightenDiffusion，能够在各种场景下提高视觉质量。2. 使用内容传输分解网络在潜在空间中执行Retinex分解，将未配对的低光和正常光图像的编码特征分解为反射图和照明图。3. 提出自我约束一致性损失，消除正常光内容对恢复结果的干扰。4. 在公开数据集上进行了广泛的实验，证明了LightenDiffusion在无监督竞争对手中表现优异，与有监督方法相当。

最近在这个领域中，还有一些相关研究，如：1.《Low-Light Image Enhancement Using Gaussian Mixture Model and Contrast Enhancement》2.《Low-Light Image Enhancement with Adaptive Brightness Preservation》3.《A Low-Light Image Enhancement Method for Traffic Surveillance Based on Retinex Theory and Illumination Adjustment》