摘要
本文研究了一种基于扩散模型的框架，以解决低光照图像增强问题。为了充分发挥扩散模型的潜力，我们深入探讨了这一复杂过程，并提出对扩散过程内在的常微分方程（ODE）轨迹进行正则化。具体而言，受近期研究启发——低曲率的ODE轨迹能够带来稳定且高效的扩散过程——我们构建了一种基于图像数据固有非局部结构的曲率正则化项，即全局结构感知正则化（global structure-aware regularization）。该正则化项在扩散过程中逐步促进复杂细节的保留与对比度的增强。通过引入该机制，有效缓解了扩散过程带来的噪声与伪影等负面影响，从而实现更精确、更灵活的图像增强效果。为进一步提升模型在困难区域的学习能力，我们提出一种不确定性引导的正则化策略，该方法智能地放松对图像中极端区域的约束，使其在优化过程中更具适应性。实验结果表明，所提出的基于扩散的框架结合秩信息引导的正则化方法，在低光照图像增强任务中展现出卓越性能。与当前最先进的方法相比，该方法在图像质量、噪声抑制以及对比度增强等方面均取得了显著提升。我们相信，这一创新性方法将推动低光照图像处理领域的进一步研究与发展，并为扩散模型在其他应用场景中的拓展提供重要启示。相关代码已公开，可访问 https://github.com/jinnh/GSAD。