一眼概覽

MDMS-Diffusion 提出了一種多域多尺度擴散模型（Multi-Domain Multi-Scale Diffusion Model），通過結合空間-頻率特征學習和多尺度采樣策略，突破低光圖像增強的現有局限，實現了無損降噪和高保真度的圖像恢復，在 LOL 和 LOLv2 數據集上達到了 SOTA 級別的性能。

核心問題

在低光條件下拍攝的圖像往往存在低對比度和高噪聲問題，不僅影響視覺質量，還會降低下游計算機視覺任務（如目標檢測、分割等）的準確性。當前的擴散模型主要在空間域建模噪聲分布，而忽略了頻率域信息。此外，傳統的單尺度補丁采樣策略容易引發嚴重的棋盤格偽影。本研究提出 MDMS-Diffusion 模型，以同時解決這兩個問題。

技術亮點

1. 空間-頻率融合學習：提出多域學習（Multi-Domain Learning, MDL）模塊，結合 Fast Fourier Transform (FFT) 提取的頻率域信息，以更全面地建模圖像特征，提高低光圖像增強的質量。

2. 多尺度采樣策略：通過不同分辨率補丁的融合（64×64、96×96、128×128），平滑邊界區域，避免傳統單尺度方法導致的棋盤格偽影問題。

3. 亮通道先驗（Bright Channel Prior, BCP）引導：基于自然圖像的統計規律，為擴散過程提供額外的光照和顏色信息，引導生成更自然的增強圖像。

方法框架

圖片

MDMS-Diffusion 采用 U-Net 結構，并引入以下關鍵模塊：

1. 多域學習（MDL）：空間域和頻率域雙分支處理，分別提取局部/全局信息，并利用 IFFT 變換回到空間域，實現特征融合。

2. 多尺度采樣（MSS）：在采樣過程中，利用不同大小的補丁提取信息，并在融合階段合并多尺度結果，以平滑圖像邊界。

3. 亮通道先驗（BCP）：基于圖像亮度通道信息提供先驗引導，增強色彩和光照一致性，減少失真。

實驗結果速覽

圖片

實驗結果表明，MDMS-Diffusion 在 LOL 和 LOLv2 數據集上均達到 SOTA 性能：

? LOL 數據集：PSNR 27.12 dB，SSIM 0.882，LPIPS 0.078，相比現有最佳方法 Pydiff（27.07 dB）略有提升，尤其在 LPIPS 指標上顯著降低。

? LOLv2-Real 數據集：PSNR 提升至 33.30 dB，相比 Pydiff（31.11 dB）提高 2.19 dB，表明該方法在真實低光圖像上的泛化能力更強。

? 多尺度采樣策略分析：相比傳統單尺度方法，MSS 采樣策略能夠顯著減少棋盤格偽影，使增強圖像更平滑自然。

??數據呈現方式

? 表格：對比現有方法（Zero-DCE、LLFlow、Pydiff 等）的性能指標（PSNR/SSIM/LPIPS）。

? 圖示：展示不同方法的增強效果，包括細節保留、光照均衡度等。

實用價值與應用

MDMS-Diffusion 可廣泛應用于低光環境下的計算機視覺任務，例如：

• ? 自動駕駛：提高夜間和低光環境下的視覺感知能力，增強目標檢測和分割的準確性。
• ? 視頻監控：改善夜間監控視頻的清晰度，有助于犯罪預防和證據采集。
• ? 醫療成像：適用于低光醫學圖像增強，提高診斷準確度。
• ? 機器人導航：提升機器人在弱光環境下的視覺感知能力，提高定位和避障能力。

開放問題

1. MDMS-Diffusion 在極端低光場景（如紅外或夜視成像）下的適應性如何？是否需要進一步調整先驗或結構？

2. 多域學習是否可以擴展到其他圖像增強任務，如超分辨率或去噪？頻率域特征的深度建模是否會帶來進一步提升？

3. 如何在計算資源受限的環境下優化該模型，使其適用于移動端或嵌入式設備？