摘要
从低光照图像中恢复被噪声掩盖的细节是一项具有挑战性的任务，以往方法的输出结果仍有提升空间。近年来，扩散模型通过一系列去噪精炼过程，展现出生成逼真且细节丰富的图像能力，这激发了我们将扩散模型引入低光照图像增强领域，以实现更真实的细节恢复。然而，在实际应用中我们发现了两个关键问题：其一，扩散模型在单次逆向生成过程中保持固定分辨率，限制了生成速度；其二，扩散模型在某些情况下会导致全局性退化（如RGB通道偏移）。为解决上述问题，本文提出一种用于低光照图像增强的金字塔扩散模型（Pyramid Diffusion, PyDiff）。PyDiff采用一种新颖的金字塔扩散机制，在逆向生成过程中以分层递进的方式逐步提升分辨率（即金字塔式采样）。该机制显著提升了PyDiff的生成速度，同时未引入性能损失。此外，PyDiff引入一个全局校正器（global corrector），有效缓解逆向过程中可能出现的全局退化问题，显著提升图像质量，并在几乎不增加计算开销的前提下，简化了扩散模型的训练过程。在多个主流基准数据集上的大量实验表明，PyDiff在性能与效率方面均优于现有方法。此外，PyDiff对未见过的噪声分布和光照条件也展现出良好的泛化能力。