使用基于扩散的图像生成先验进行高质量曝光校正

尽管大多数现有的曝光校正方法都实现了高保真度，但它们通常过度关注整体像素精度，这使得有效建模极端曝光区域变得具有挑战性，从而导致感知质量不佳。最近，扩散模型由于其在图像生成领域的出色表现而受到了极大的关注。然而，它们在曝光校正中的成功应用仍然是一个具有挑战性和悬而未决的问题。关键挑战在于生成准确的图像结构并在随机扩散过程中保持高图像保真度。在本文中，我们提出了 DPEC（基于扩散先验的曝光校正），这是一种用于图像曝光校正的新颖框架，它利用封装在预训练的大规模扩散模型中的基于扩散的图像生成先验。具体来说，我们首先提出了一种高效的 微调 策略，从预先训练的模型中导出曝光校正器，从而能够在单步去噪过程中生成增强图像。此外，我们无缝地结合了扩散模型和回归模型的优点，并设计了联合交叉注意模块来集成多尺度扩散先验特征，从而有效地保留高频细节并最小化随机伪影。扩散模型侧重于处理低频内容而不是所有复杂的纹理细节。实验结果表明，无论是在保真度、感知质量还是视觉效果方面，所提出的 DPEC 方法在多重曝光校正数据集上始终优于现有的最先进方法。