PASDiff：用于联合现实世界低光面部增强和恢复的物理感知语义指导

在现实世界的低光条件下捕获的人脸图像会遭受多种退化——低照度、模糊、噪声和低可见度等。现有的级联解决方案经常遭受严重的错误累积，而通用的联合模型缺乏明确的面部先验，难以解析清晰的面部结构。在本文中，我们提出了 PASDiff，一种采用 无需训练 方式的物理感知语义扩散。为了实现合理的照明和颜色分布，我们利用逆强度加权和 Retinex 理论引入光度约束，从而可靠地恢复可见度和自然色度。为了忠实地重建面部细节，我们的风格无关结构注入 (SASI) 从现成的面部先验中提取结构，同时过滤掉其固有的光度偏差，从而将身份特征与物理约束无缝协调。此外，我们构建了 WildDark-Face，这是一个由 700 张具有复杂退化的低光面部图像组成的真实世界基准。大量实验表明，PASDiff 显着优于现有方法，在自然光照、颜色恢复和身份一致性之间实现了卓越的平衡。代码和数据集可在 https://github.com/IVIPLab/PASDiff 获取。