迭代采样过程的计算负担仍然是基于扩散的低光图像增强(LLIE)的主要挑战。当前的加速方法,无论是基于培训还是无训练,通常都会导致绩效显着降解,突出了性能和效率之间的权衡。在本文中,我们确定了导致降解的两个主要因素:拟合错误和推理差距。我们的关键见解是,可以通过线性推断不正确的分数函数来减轻拟合误差,而可以通过将高斯流量转移到反射率感知的残余空间来减少推理差距。基于上述见解,我们设计了反射性感知的轨迹限制(RATR)模块,这是一个简单而有效的模块,可使用图像的反射率组成来完善教师轨迹。之后,我们使用Di stalled T Rajectory(Reddit)引入了flectance-flectance-flectance defusion,这是一个为Llie量身定制的效率且灵活的蒸馏框架。我们的框架可以在仅2个步骤中以冗余步骤的冗余步骤实现可比性的性能,同时建立8或4个步骤的新最先进的结果(SOTA)结果。对10个基准数据集的全面实验评估验证了我们方法的有效性,始终超过现有的SOTA方法。
主要关键词