Processus de diffusion conscient du structure global pour l’amélioration d’images en faible éclairage

Cet article étudie un cadre fondé sur la diffusion pour résoudre le problème d’amélioration des images en faible éclairage. Afin d’exploiter pleinement les capacités des modèles de diffusion, nous examinons en profondeur ce processus complexe et proposons une régularisation de la trajectoire ODE intrinsèque à ces modèles. Plus précisément, inspirés par des recherches récentes indiquant qu’une trajectoire ODE à faible courbure conduit à un processus de diffusion stable et efficace, nous formulons un terme de régularisation fondé sur les structures non locales intrinsèques des données d’image, à savoir une régularisation sensible à la structure globale. Ce mécanisme favorise progressivement la préservation de détails complexes et l’amplification du contraste au cours du processus de diffusion. Cette intégration atténue les effets néfastes du bruit et des artefacts engendrés par la diffusion, conduisant à une amélioration plus précise et plus flexible. Pour renforcer davantage l’apprentissage dans les régions difficiles, nous introduisons une technique de régularisation guidée par l’incertitude, qui ajuste intelligemment les contraintes sur les régions les plus extrêmes de l’image. Les évaluations expérimentales montrent que le cadre proposé, complété par une régularisation informée du rang, atteint des performances remarquables en amélioration des images en faible éclairage. Les résultats démontrent des progrès significatifs en termes de qualité d’image, de suppression du bruit et d’amplification du contraste par rapport aux méthodes de pointe. Nous pensons que cette approche innovante stimulera de futures recherches et avancées dans le traitement des images en faible éclairage, tout en ouvrant des perspectives pour d’autres applications des modèles de diffusion. Le code source est disponible publiquement à l’adresse suivante : https://github.com/jinnh/GSAD.