详细内容或原文请订阅后点击阅览
DarkDiff：通过重新分配相机 ISP 的扩散模型来推进低光原始增强
在极低光照条件下进行高质量摄影虽然具有挑战性，但对于数码相机来说却具有影响力。借助先进的计算硬件，传统的相机图像信号处理器 (ISP) 算法逐渐被高效的深度网络所取代，这些网络可以更智能地增强噪声原始图像。然而，现有的基于回归的模型通常会最大限度地减少像素错误，并导致低光照片或深阴影的过度平滑。最近的工作试图通过从头开始训练扩散模型来解决这一限制，但这些模型仍然难以恢复清晰的图像细节......
来源:Apple机器学习研究在极低光照条件下进行高质量摄影虽然具有挑战性，但对于数码相机来说却具有影响力。借助先进的计算硬件，传统的相机图像信号处理器 (ISP) 算法逐渐被高效的深度网络所取代，这些网络可以更智能地增强噪声原始图像。然而，现有的基于回归的模型通常会最大限度地减少像素错误，并导致低光照片或深阴影的过度平滑。最近的工作试图通过从头开始训练扩散模型来解决这一限制，但这些模型仍然难以恢复清晰的图像细节和准确的颜色。我们引入了一种新颖的框架，通过使用相机 ISP 重新分配预先训练的生成扩散模型来增强低光原始图像。大量的实验表明，我们的方法在三个具有挑战性的低光原始图像基准测试中的感知质量优于最先进的方法。