ExposureDiffusion：低照度画像強調のための露出学習

従来の低照度画像強調手法は、低照度画像から通常露出画像への決定論的写像を学習するため、主に前向き型ニューラルネットワークに依存していた。しかし、これらの手法は重要な分布情報を捉えられず、視覚的に不快な結果をもたらすことがあった。本研究では、拡散モデルと物理ベースの露出モデルをシームレスに統合することで、この問題に対処する。従来の拡散モデルがガウスノイズ除去を必要とするのに対し、本手法では物理ベースの露出モデルを組み込むことで、純粋なノイズではなくノイズを含む画像から復元プロセスを直接開始できる。その結果、従来の拡散モデルと比較して、顕著な性能向上と推論時間の短縮を達成した。さらに、異なる中間ステップの利点を最大限に活かすために、中間結果がすでに適切に露出されている段階で生じる副作用を効果的に抑制するための適応型残差層を提案した。提案するフレームワークは、実データのペアデータセット、最先端のノイズモデル、および異なるバックボーンネットワークと併用可能である。評価において、さまざまな公開ベンチマーク上で、異なる露出モデルやバックボーンを用いて一貫した性能向上を実現し、有望な結果を達成した。また、未知の露出増幅比に対して優れた汎化能力を示し、パラメータ数が少ないにもかかわらず、より大きな前向き型ニューラルネットワークよりも優れた性能を発揮した。