DARD：用于低光图像增强的零样本退化感知 Retinex 引导扩散

现有的基于扩散的增强方法为低光图像增强（LLIE）提供了强大的生成能力，但它们要么依赖于配对监督，要么在零镜头设置中缺乏可靠的场景约束，通常导致结构不一致和颜色漂移。传统的 Retinex 模型提供物理上可解释的先验，可以作为可靠的场景约束，但在现实场景中与混合退化作斗争，受传统 Retinex 模型的启发，我们提出了 DARD，一种用于 LLIE 的零样本退化感知 Retinex 引导扩散框架。 DARD 首先通过测试时退化感知 Retinex 分解从退化输入中提取图像特定的物理先验，从而为零样本恢复提供可靠的结构指导。然后，它通过时间步自适应频率融合策略将这些先验注入反向扩散，以平衡结构锚定和细节生成。最后，引入了具有物理一致性和基于对比语言图像 预训练 (CLIP) 的语义指导的引导逆向细化过程，以抑制采样过程中的结构伪影和语义漂移。大量实验表明，DARD 实现了强大的失真和感知性能，并且在多个现实世界的低光基准测试中始终优于现有的零样本基线。为了进一步验证我们的方法对下游应用的实用性，我们评估了它对语义分割的影响。实验表明，DARD 增强的图像相对 AGLLDiff 的 mIoU 提高了 28.10%。