Zero-LED: Zero-Reference Lighting Estimation Diffusion Model for Low-Light Image Enhancement

传统的基于扩散模型的低光图像增强方法需要大量配对训练数据，因此应用范围受到限制。同时，现有的无监督方法缺乏对未知降级的有效桥接能力。为解决这些限制，本文提出了一种新颖的零参考照明估计扩散模型，用于低光图像增强，称为Zero-LED。它利用扩散模型的稳定收敛能力来弥合低光域和真实正常光域之间的差距，并通过零参考学习成功减少了对成对训练数据的依赖。具体来说，我们首先设计了初始优化网络来预处理输入图像，并通过多个目标函数在扩散模型和初始优化网络之间实现双向约束。随后，通过迭代优化现实场景的降级因素，实现有效的光照增强。此外，我们探索了一种基于频域和语义引导的外观重建模块，鼓励恢复图像的特征对齐，并满足主观期望。最后，广泛的实验表明，我们的方法优于其他最先进的方法，并具有更强的泛化能力。我们将在论文被接受后开放源代码。

提出一种名为Zero-LED的零参考光照估计扩散模型，用于解决低光图像增强中对成对训练数据的依赖性问题。

通过使用扩散模型的稳定收敛性和零参考学习，实现低光域和真实正常光域之间的桥接，成功地减少了对成对训练数据的依赖性。

论文探索了一种基于频域和语义引导的外观重建模块，可以在细粒度水平上促进恢复图像的特征对齐和满足主观期望。在广泛的实验中，Zero-LED方法显示出了比其他现有方法更出色的性能和更强的泛化能力。作者表示将在论文被接受后开放源代码。

在最近的相关研究中，也有一些关于低光图像增强的方法，例如《Low-Light Image Enhancement Based on Illumination Map Estimation》和《Low-Light Image Enhancement Based on Retinex and Noise Reduction》。