ExposureDiffusion: تعلّم التعرض لتحسين الصور ذات الإضاءة المنخفضة

الأساليب السابقة القائمة على الصور الخام لتحسين الصور في الإضاءة المنخفضة اعتمدت بشكل رئيسي على الشبكات العصبية ذات التدفق الأمامي لتعلم التحويلات المحددة من الصور ذات الإضاءة المنخفضة إلى صور معرضة بشكل طبيعي. ومع ذلك، فشلت هذه الأساليب في التقاط المعلومات الحرجة المتعلقة بالتوزيع، مما أدى إلى نتائج بصرية غير مرغوبة. تتناول هذه الدراسة هذه المشكلة من خلال دمج سلس لنموذج التشتت (diffusion model) مع نموذج تعرّض مبني على القوانين الفيزيائية. على عكس النموذج القياسي للتشتت الذي يتعين عليه إجراء عملية تنقية من الضوضاء الغاوسية، فإن دمج النموذج الفيزيائي للإضاءة يسمح لنا ببدء عملية الاستعادة مباشرة من صورة مشوهة بدلاً من الضوضاء النقيّة. وبهذا، نحصل على أداء محسّن بشكل كبير ووقت استخلاص أقصر مقارنةً بالنماذج القياسية للتشتت. وللاستفادة القصوى من مزايا المراحل الوسيطة المختلفة، نقترح أيضًا طبقة تلافيف تكيفية (adaptive residual layer) التي تُفعّل عملية التصفية الفعّالة للآثار الجانبية أثناء التحسين التكراري عندما تصبح النتائج الوسيطة معرضة بشكل جيد بالفعل. يمكن للإطار المقترح العمل مع مجموعات بيانات حقيقية مزدوجة (real-paired datasets)، ونماذج ضوضاء حديثة (SOTA noise models)، وأطر رئيسية مختلفة (backbone networks). وتجدر الإشارة إلى أن الإطار المقترح متوافق مع مجموعات بيانات حقيقية مزدوجة، ونماذج ضوضاء حقيقية أو مُصَنَّعة (real/synthetic noise models)، وأطر رئيسية متنوعة. وقد قُمنا بتقييم الطريقة المقترحة على عدة معايير عامة، وحققت نتائج واعدة مع تحسينات مستمرة باستخدام نماذج إضاءة مختلفة وأطر رئيسية متنوعة. علاوةً على ذلك، تُظهر الطريقة المقترحة قدرة تعميم أفضل على نسب تضخيم غير مرئية، وأداءً أفضل مقارنة بنموذج عصبي ذي تدفق أمامي أكبر، حتى عند استخدام عدد قليل من المعاملات.