摘要
扩散模型在图像恢复任务中取得了令人瞩目的成果，但仍面临计算耗时、资源消耗过大以及恢复结果不稳定等问题。为解决上述挑战，本文提出一种稳健且高效的基于扩散模型的低光照图像增强方法，命名为 DiffLL。具体而言，我们设计了一种基于小波变换的条件扩散模型（Wavelet-based Conditional Diffusion Model, WCDM），充分利用扩散模型的生成能力，生成具有优异感知保真度的恢复结果。同时，该方法结合小波变换的优势，显著加速推理过程并大幅降低计算资源消耗，且不损失图像信息。为避免生成内容的混乱与多样性失控，我们在 WCDM 的训练阶段同时引入前向扩散与去噪过程，使模型在推理阶段具备稳定的去噪能力，有效降低随机性。此外，我们进一步提出高频恢复模块（High-frequency Restoration Module, HFRM），通过利用图像的垂直与水平方向细节，补全对角方向信息，从而实现更精细的局部恢复效果。在多个公开的真实世界基准数据集上的大量实验表明，所提方法在定量指标和视觉效果上均优于现有最先进方法，并在效率方面相较于以往基于扩散模型的方法实现显著提升。此外，我们通过实证研究验证了该方法在低光照人脸检测任务中的应用潜力，进一步揭示了其潜在的实际价值。代码已开源，地址为：https://github.com/JianghaiSCU/Diffusion-Low-Light。