频域特征优化与截断采样的条件扩散模型弱光图像增强方法

目的现有基于扩散模型的弱光图像增强方法存在计算成本高、高频特征畸变以及色彩偏移等问题，限制了其在实际场景中的应用效果。为此，本文提出一种频域特征优化与截断采样的条件扩散模型弱光图像增强方法（low-light image enhancement with diagonal frequency feature refinement and truncated sampling in conditional diffusion models）。方法该方法首先在小波低频子空间中实施扩散建模，有效降低了空间维度和计算复杂度，同时保留图像的主体结构与光照分布特征。针对高频子带中对角线方向信息较弱的问题，本文设计高频细化模块，利用水平方向与垂直方向的高频特征作为引导，通过双路径交叉注意力机制实现对角线高频纹理的补全，从而提升局部细节与纹理的清晰度。此外，提出一种高效的条件采样策略，采用特定步数截断技术，大幅减少了推理时间，同时保持增强结果的质量。为进一步提高对比度与色彩还原表现，在反向去噪过程中使用上一步采样的色彩与对比度信息调制当前采样步特征，从而实现对增强图像的对比度校正。结果在LOLv1、LOLv2-Real和VE-LOL三个配对数据集上，本文方法在定性与定量评估上均优于现有主流方法。在LOLv2-Real数据集上，PSNR和SSIM分别提升8.46%、1.22%，LPIPS和NIQE分别下降10.19%、0.38%。在四个非配对数据集上亦展现良好的跨域泛化性能，相较于基于空域扩散建模的PyDiff （pyramid diffusion models for low-light image enhancement）方法，单张图像的推理时间由7.617秒减少至0.473秒，显存占用降低48.53%。结论大量定量及定性的实验结果表明，本方法在提升图像亮度、细节和色彩保真的同时降低了推理开销，展现出良好的实用性与应用前景。代码已共享在Gitee上：https：//gitee.com/cv_llie/llie_diff。