💻 computer science

NEC-Diff: Noise-Robust Event-RAW Complementary Diffusion for Seeing Motion in Extreme Darkness

यह शोध पत्र NEC-Diff प्रस्तुत करता है, जो एक नवीन डिफ्यूजन-आधारित फ्रेमवर्क है जो अत्यधिक कम रोशनी की स्थितियों में उच्च-सटीकता वाले मोशन रिकंस्ट्रक्शन (गति पुनर्निर्माण) को प्राप्त करने के लिए भौतिकी-संचालित बाधाओं और अनुकूली फीचर फ्यूजन के माध्यम से शोरयुक्त RAW छवियों और इवेंट कैमरा डेटा को सहक्रियात्मक रूप से संयोजित करता है, जिसे नए निर्मित REAL डेटासेट द्वारा समर्थन प्राप्त है।

मूल लेखक: Haoyue Liu, Jinghan Xu, Luxin Feng, Hanyu Zhou, Haozhi Zhao, Yi Chang, Luxin Yan

प्रकाशित 2026-03-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Haoyue Liu, Jinghan Xu, Luxin Feng, Hanyu Zhou, Haozhi Zhao, Yi Chang, Luxin Yan

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक मानक कैमरे के साथ रात के 3:00 बजे एक हलचल भरी शहर की सड़क की फोटो लेने की कोशिश कर रहे हैं। परिणाम? एक दानेदार (grainy), धुंधला सा कचरा। आपके पास दो समस्याएँ हैं:

बहुत कम रोशनी: कैमरे को अपनी संवेदनशीलता (gain) बढ़ानी पड़ती है, जिससे इमेज में स्टैटिक नॉइज़ (static noise) आ जाती है।
बहुत अधिक गति: यदि आप अधिक रोशनी पकड़ने के लिए शटर को लंबे समय तक खुला रखते हैं, तो चलती हुई कारें भूतिया लकीरों (ghostly streaks) जैसी दिखने लगती हैं।

द दशकों से, वैज्ञानिकों ने इसे ठीक करने की कोशिश की है, लेकिन उन्हें आमतौर पर शोर को हटाने (इमेज को चिकना लेकिन धुंधला बनाना) या विवरणों को बनाए रखने (शोर को बनाए रखना) के बीच किसी एक को चुनना पड़ता था।

यहाँ आता है NEC-Diff, एक नया "सुपर-कैमरा" सॉफ्टवेयर जो दो अलग-अलग प्रकार की आँखों को एक साथ काम करवाकर इस समस्या को हल करता है।

दो आँखें: RAW और Events

इस सिस्टम को दो अलग-अलग सहायकों के रूप में समझें:

RAW आँख (फोटोग्राफर): यह एक मानक कैमरा है, लेकिन यह कंप्यूटर द्वारा डेटा को "सुंदर" बनाने से पहले कच्चा (raw), अनप्रोसेस्ड डेटा कैप्चर करता है। यह पूरे दृश्य को देखता है और सामान्य चमक को जानता है, लेकिन अंधेरे में, यह स्टैटिक नॉइज़ से भरा होता है।
- उपमा: कल्पना कीजिए कि आप एक अंधेरे कमरे में एक हिलती हुई टॉर्च के साथ किताब पढ़ने की कोशिश कर रहे हैं। आप शब्दों (दृश्य) को देख सकते हैं, लेकिन रोशनी इतनी झिलमिलाती है कि उन्हें स्पष्ट रूप से पढ़ना कठिन हो जाता है।
Event आँख (मोशन डिटेक्टिव): यह एक विशेष कैमरा है जो "फोटो" नहीं लेता। इसके बजाय, यह केवल बदलावों को रिकॉर्ड करता है। यदि कोई पिक्सेल नहीं बदलता, तो वह शांत रहता है। यदि कोई कार पास से गुजरती है या कोई पत्ता गिरता है, तो वह चिल्लाता है, "यहाँ कुछ हिला है!" यह अविश्वसनीय रूप से तेज़ और संवेदनशील है, लेकिन पूर्ण अंधकार में, यह भ्रमित होकर रैंडम शोर मचाने लगता है।
- उपमा: कल्पना कीजिए कि एक सुरक्षा गार्ड एक अंधेरे कमरे में है जो केवल तभी चिल्लाता है जब उसे कदमों की आहट सुनाई देती है। एक शांत कमरे में, वह उत्तम है। लेकिन अगर बाहर तूफान चल रहा हो, तो वह हवा के बारे में भी चिल्लाना शुरू कर सकता है, जिससे आपको भ्रम हो सकता है कि वास्तव में क्या हिल रहा है।

समस्या: दोनों ही शोर (Noisy) हैं

यह शोध पत्र एक खामी की ओर इशारा करता है: वैज्ञानिकों ने इन दोनों को मिलाने की कोशिश की, लेकिन उनका मुख्य ध्यान इवेंट कैमरे का उपयोग किनारों (edges) को खोजने के लिए करने पर था, इस बात को नजरअंदाज करते हुए कि अंधेरे में दोनों कैमरे शोर मचा रहे हैं। यदि आप उन्हें बस आपस में मिला देते हैं, तो आपको एक शोर भरा कचरा प्राप्त होता है।

समाधान: NEC-Diff (एक स्मार्ट मध्यस्थ)

लेखकों ने NEC-Diff नामक एक सिस्टम बनाया है जो एक शानदार संपादक की तरह कार्य करता है, जो डिफ्यूजन (Diffusion) तकनीक का उपयोग करता है (इसे एक "रिवर्स नॉइज़ जनरेटर" के रूप में सोचें जो स्टैटिक को एक स्पष्ट तस्वीर में बदलना सीखता है)।

यह कैसे काम करता है, चरण-दर-चरण यहाँ दिया गया है:

1. "क्रॉस-चेक" (सहयोगात्मक शोर दमन/Collaborative Noise Suppression)

दोनों कैमरों को अकेले काम करने देने के बजाय, NEC-Diff उन्हें अपने ही कचरे को साफ करने में एक-दूसरे की मदद करने के लिए कहता है।

RAW कैमरा इवेंट कैमरे को बताता है: "हे, वह क्षेत्र वास्तव में उज्ज्वल है, इसलिए तुम्हारी वे रैंडम 'चिल्लाहटें' शायद सिर्फ शोर हैं, न कि कोई हलचल।"
इवेंट कैमरा RAW कैमरे को बताता है: "वह क्षेत्र अंधेरा और धुंधला है, लेकिन मैं यहाँ एक तीखा किनारा (edge) देख पा रहा हूँ! इसे स्मूथ मत करना, वरना तुम विवरण खो दोगे।"
परिणाम: वे अंधेरे में पहेली सुलझाने वाले दो लोगों की तरह कार्य करते हैं। एक के पास पूरे बॉक्स की तस्वीर (RAW) है, और दूसरे के पास तीखे किनारे (Events) हैं। नोट्स की तुलना करके, वे बता सकते हैं कि क्या वास्तविक है और क्या केवल स्टैटिक है।

2. "ट्रस्ट मीटर" (SNR-निर्देशित फ्यूजन/SNR-Guided Fusion)

सिस्टम केवल अंधाधुंध मिश्रण नहीं करता। यह हर छोटे हिस्से के लिए एक सिग्नल-टू-नॉइज़ रेशियो (SNR) मीटर की लगातार जांच करता है।

उपमा: एक ऑर्केस्ट्रा का नेतृत्व करने वाले कंडक्टर की कल्पना करें। यदि वायलिन सेक्शन (RAW) ज़ोर से और स्पष्ट रूप से बज रहा है, तो कंडक्टर उन्हें सुनता है। यदि वायलिन धीमा है लेकिन ड्रम (Events) एक सटीक लय में बज रहे हैं, तो कंडक्टर ड्रमों पर ध्यान केंद्रित करता है।
NEC-Diff गतिशील रूप से निर्णय लेता है: "इस अंधेरे कोने में, RAW इमेज बहुत शोर भरी है, इसलिए मैं इवेंट कैमरे पर भरोसा करूँगा। इस चमकीले स्थान में, इवेंट कैमरा भ्रमित है, इसलिए मैं RAW इमेज पर भरोसा करूँगा।"

3. "मैजिक पेंटब्रश" (डिफ्यूजन/Diffusion)

एक बार जब सिस्टम डेटा को साफ कर लेता है और यह तय कर लेता है कि किस हिस्से पर भरोसा करना है, तो यह इस "सर्वश्रेष्ठ अनुमान" को एक डिफ्यूजन मॉडल में फीड करता है।

उपमा: एक शोर भरी, स्टैटिक वाली टीवी स्क्रीन के बारे में सोचें। एक डिफ्यूजन मॉडल एक स्मार्ट AI की तरह है जो जानता है कि एक स्पष्ट टीवी स्क्रीन कैसी दिखनी चाहिए। यह धीरे-धीरे स्टैटिक को हटा देता है, RAW और इवेंट कैमरों से मिले सुरागों का उपयोग करके लुप्त विवरणों को पूरी तरह से भर देता है। यह केवल अनुमान नहीं लगाता; यह भौतिकी (physics) और एकत्र किए गए सुरागों के आधार पर दृश्य का पुनर्निर्माण करता है।

नया खेल का मैदान: REAL डेटासेट

यह साबित करने के लिए कि यह काम करता है, टीम केवल नकली कंप्यूटर सिमुलेशन का उपयोग नहीं कर सकती थी। उन्होंने एक कार पर दो कैमरे (एक RAW, एक Event) लगाकर एक विशेष सेटअप बनाया और अत्यंत अंधेरी स्थितियों (0.001 लक्स जितना कम—जो पूर्णिमा के चाँद से भी अधिक अंधेरा है!) में गाड़ी चलाई।
उन्होंने REAL (Low-light में Raw और Event प्राप्त किया गया) नामक एक विशाल नया डेटासेट बनाया जिसमें इन छवियों के 47,800 जोड़े शामिल हैं। यह AI को अभ्यास करने के लिए "दुःस्वप्न जैसी स्थितियों" का एक विशाल पुस्तकालय देने जैसा है ताकि वह विशेषज्ञ बन सके।

यह क्यों महत्वपूर्ण है

पिछले तरीके या तो फोटो को और अधिक धुंधला करने (शोर को छिपाने के लिए) या उसे इतना शार्प करने (ताकि वह नुकीला दिखे) जैसे थे।
NEC-Diff अलग है क्योंकि:

यह समझता है कि प्रकाश और शोर कैसे काम करते हैं (भौतिकी)।
यह एक-दूसरे की जांच करने के लिए दो अलग-अलग प्रकार की दृष्टि का उपयोग करता है।
यह उच्च सटीकता के साथ छवि के पुनर्निर्माण के लिए AI डिफ्यूजन का उपयोग करता है।

निष्कर्ष:
NEC-Diff हमें उस "फोटॉन-दुर्लभ" अंधेरे में स्पष्ट रूप से देखने की अनुमति देता है—ऐसी जगहें जहाँ मानव आँखें और मानक कैमरे अंधे होकर रह जाते हैं। चाहे वह रात में सेल्फ-ड्राइविंग कारों के लिए हो, खोज और बचाव मिशनों के लिए हो, या बस एक कॉन्सर्ट में बेहतर फोटो लेने के लिए हो, यह तकनीक अंधेरे के "दानेदार कचरे" को एक स्पष्ट, हाई-डेफिनिशन वास्तविकता में बदल देती है।

यहाँ "NEC-Diff: Noise-Robust Event–RAW Complementary Diffusion for Seeing Motion in Extreme Darkness" शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

अत्यधिक कम रोशनी वाली स्थितियों (फोटॉन-दुर्लभ वातावरण, जैसे, <0.8 लक्स) में गतिशील दृश्यों की इमेजिंग करना पारंपरिक कैमरों के लिए एक मौलिक चुनौती पेश करता है:

फोटॉन की कमी (Photon Scarcity): सीमित फोटॉन गंभीर शोर (शॉट नॉइज़, रीडआउट नॉइज़) और बनावट के विवरणों (texture details) की महत्वपूर्ण हानि की ओर ले जाते हैं।
ट्रेड-ऑफ दुविधा (Trade-off Dilemma): मौजूदा लो-लाइट इमेज एन्हांसमेंट (LLIE) विधियाँ शोर को दबाने (noise suppression) और बनावट को संरक्षित करने (texture preservation) के बीच संतुलन बनाने में संघर्ष करती हैं। आक्रामक डिनोइजिंग अक्सर ओवरस्मूथिंग (विवरण की हानि) का कारण बनती है, जबकि अपर्याप्त डिनोइजिंग से अवशिष्ट शोर (residual noise) रह जाता है।
मौजूदा समाधानों की सीमाएँ:
- sRGB-आधारित विधियाँ: ये ISP पाइपलाइनों पर निर्भर करती हैं जो गैर-रेखीय रूपांतरण (nonlinear transformations) लाती हैं, जिससे शोर की विशेषताओं को विकृत कर दिया जाता है और उन्हें अलग करना कठिन हो जाता है।
- RAW-आधारित विधियाँ: ये रैखिक प्रकाश प्रतिक्रिया (linear light response) को बनाए रखती हैं लेकिन कम एक्सपोज़र समय के कारण गतिशील दृश्यों में सूचना की हानि से ग्रस्त रहती हैं।
- इवेंट-आधारित विधियाँ: ये उच्च डायनेमिक रेंज (HDR) और माइक्रोसेकंड रिज़ॉल्यूशन प्रदान करती हैं लेकिन चिकने क्षेत्रों (smooth regions) में तीव्रता की जानकारी की कमी होती है और वे स्वयं कम रोशनी में शोर युक्त होती हैं।
- हाइब्रिड विधियाँ: ये अक्सर दोनों मोडैलिटीज के अंतर्निहित शोर को प्रभावी ढंग से मॉडल करने में विफल रहती हैं, जिससे अस्थिर फ्यूजन या अत्यधिक अंधेरे परिदृश्यों में खराब पुनर्निर्माण होता है।

2. कार्यप्रणाली: NEC-Diff

लेखक NEC-Diff प्रस्तावित करते हैं, जो एक डिफ्यूजन-आधारित ढांचा है जो उच्च-सटीकता वाले पुनर्निर्माण को प्राप्त करने के लिए RAW छवियों और इवेंट स्ट्रीम्स को फ्यूज करता है। यह ढांचा तीन मुख्य मॉड्यूल से बना है:

A. इवेंट-RAW कोलाबोरेटिव नॉइज़ सप्रेशन (ECNS)

यह मॉड्यूल दोनों मोडैलिटीज के पूरक भौतिक गुणों का लाभ उठाकर दोनों में गंभीर शोर को संबोधित करता है:

इल्यूमिनेशन-गाइडेड इवेंट डिनोइजिंग: चूंकि RAW छवियां इल्यूमिनेशन के प्रति एक रैखिक प्रतिक्रिया देती हैं, इसलिए वे एक विश्वसनीय "इल्यूमिनेशन प्रायर" प्रदान करती हैं। यह प्रायर इवेंट स्ट्रीम्स की डिनोइजिंग को निर्देशित करता है, जो प्रकाश तीव्रता से सह-संबंधित पॉइसन-डिस्ट्रीब्यूटेड शॉट नॉइज़ से प्रभावित होते हैं।
इवेंट-असिस्टेड इमेज डिनोइजिंग: डिनोइज्ड इवेंट्स उच्च-डायनेमिक-रेंज वाले एज क्यूज़ (edge cues) और मोशन जानकारी प्रदान करते हैं। ये क्यूज़ RAW इमेज डिनोइजिंग प्रक्रिया को निर्देशित करते हैं, जिससे बारीक विवरणों को ओवरस्मूथ किए बिना कमजोर बनावट वाले क्षेत्रों में सिग्नल और शोर के बीच अंतर करने में मदद मिलती है।
इंटेंसिटी कंसिस्टेंसी कंस्ट्रेंट: एक भौतिकी-संचालित लॉस फंक्शन ( $L_{cons}$ ) डिनोइज्ड RAW इमेज ( $\hat{R}$ ) और रिफाइंड इवेंट स्ट्रीम ( $\hat{E}$ ) के बीच एक लॉगरिदमिक संबंध लागू करता है, जो भौतिक निरंतरता सुनिश्चित करता है:
$\hat{E}(t) \cdot C \approx \log \frac{\hat{R}(t)}{\hat{R}(t-\Delta t)}$

B. SNR-गाइडेड रिलायबल इंफॉर्मेशन एक्सट्रैक्शन (SRIE)

यह पहचानते हुए कि सिग्नल की विश्वसनीयता स्थानिक रूप से भिन्न होती है (जैसे, इवेंट्स किनारों पर विश्वसनीय हैं लेकिन चिकने अंधेरे क्षेत्रों में अनुपस्थित हैं; RAW उज्ज्वल क्षेत्रों में विश्वसनीय है लेकिन छाया में शोर युक्त है), लेखक एक अनुकूली फ्यूजन तंत्र पेश करते हैं:

SNR अनुमान: यह मॉड्यूल डैनोइज्ड RAW इमेज और इवेंट स्ट्रीम दोनों के लिए सिग्नल-टू-नॉइज़ रेशियो (SNR) मैप्स का गतिशील रूप से अनुमान लगाता है।
एडाप्टिव वेटिंग: एक लाइटवेट नेटवर्क चैनल-वाइज सॉफ्टमैक्स के माध्यम से स्थानिक वेट मैप्स ( $W_{img}, W_{evt}$ ) उत्पन्न करता है। यह सिस्टम को विशिष्ट क्षेत्रों में उच्च SNR वाली मोडैलिटी को प्राथमिकता देते हुए (जैसे, किनारों के लिए इवेंट्स और चिकनी चमक के लिए RAW पर भरोसा करना) चुनि적으로 फीचर्स को फ्यूज करने की अनुमति देता है।

C. क्रॉस-मोडल अटेंटिव डिफ्यूजन (CAD)

अंतिम पुनर्निर्माण एक डिफ्यूजन मॉडल का उपयोग करके किया जाता है:

फीचर फ्यूजन: दोनों मोडैलिटीज से प्राप्त भारित (weighted) फीचर्स को द्विदिश क्रॉस-मोडल अटेंशन (bidirectional cross-modal attention) का उपयोग करके फ्यूज किया जाता है। यह इवेंट्स को इमेज फीचर्स में डायनेमिक एज विवरण इंजेक्ट करने की अनुमति देता है, जबकि इमेज फीचर्स फ्लैट क्षेत्रों में इवेंट फीचर्स को गाइड करने के लिए स्थिर वैश्विक चमक प्रदान करते हैं।
कंडीशनल डिफ्यूजन: फ्यूज्ड मल्टी-मोडल फीचर्स DDIM (डिफ्यूजन इम्पलिसिट मॉडल) सैंपलर के लिए कंडीशनल इनपुट ( $F_{fused}$ ) के रूप में कार्य करते हैं। यह नॉइज़ प्रेडिक्शन नेटवर्क ( $\epsilon_\theta$ ) को शोर से उच्च-गुणवत्ता वाली इमेज को धीरे-धीरे पुनर्गठित करने के लिए निर्देशित करता है, जिससे कम-SNR क्षेत्रों में मजबूती सुनिश्चित होती है।

3. प्रमुख योगदान

नया ढांचा (NEC-Diff): एक डिफ्यूजन-आधारित हाइब्रिड इमेजिंग फ्रेमवर्क जो RAW के रैखिक इल्यूमिनेशन प्रायर और इवेंट्स की मोशन संवेदनशीलता का लाभ उठाकर अत्यधिक अंधेरे में सेंसर शोर को नाजुक सिग्नल्स से प्रभावी ढंग से अलग करता है।
फिजिक्स-ड्रिवन कंस्ट्रेंट्स: एक इंटेंसिटी कंसिस्टेंसी लॉस का परिचय जो दोनों मोडैलिटीज के डैनोइज्ड आउटपुट को गणितीय रूप से जोड़ता है, जिससे भौतिक सुसंगतता सुनिश्चित होती है और डिनोइजिंग सटीकता में सुधार होता है।
एडाप्टिव फ्यूजन स्ट्रैटेजी: एक SNR-गाइडेड रिलायबल इंफॉर्मेशन एक्सट्रैक्शन मॉड्यूल का विकास जो प्रत्येक मोडैलिटी से सबसे भरोसेमंद फीचर्स को गतिशील रूप से चुनता है, जिससे स्टेटिक फ्यूजन रणनीतियों की सीमाओं को दूर किया जाता है।
REAL डेटासेट: Raw and Event Acquired in Low-light (REAL) डेटासेट का निर्माण।
- पैमाना: 47,800 पिक्सेल-अलाइन्ड ट्रिपलेट्स (लो-लाइट RAW, इवेंट्स, हाई-क्वालिटी sRGB GT)।
- स्थितियाँ: 0.001 से 0.8 लक्स तक इल्यूमिनेशन स्तर (अत्यधिक अंधेरा)।
- हार्डवेयर: वास्तविक दुनिया के डायनेमिक दृश्यों को कैप्चर करने के लिए नियंत्रित मोशन और एक्सपोज़र के साथ कोएक्सियल इमेजिंग सिस्टम।

4. प्रयोगात्मक परिणाम

लेखकों ने सिंथेटिक (LLRVD-simu) और वास्तविक दुनिया (REAL) दोनों डेटासेट पर sRGB, RAW, इवेंट और हाइब्रिड श्रेणियों के SOTA (स्टेट-ऑफ-द-आर्ट) तरीकों के विरुद्ध NEC-Diff का मूल्यांकन किया।

मात्रात्मक प्रदर्शन (Quantitative Performance):
- REAL डेटासेट पर, NEC-Diff ने 24.51 dB PSNR, 0.742 SSIM, और 0.201 LPIPS प्राप्त किया।
- इसने अगले सर्वश्रेष्ठ हाइब्रिड मेथड (ELEDNet) से महत्वपूर्ण अंतर (+2.93 dB PSNR) से बेहतर प्रदर्शन किया और RAW-ओनली मेथड्स को ~1.8 dB से पीछे छोड़ दिया।
गुणात्मक प्रदर्शन (Qualitative Performance):
- NEC-Diff ने उन तरीकों की तुलना में बेहतर बनावट संरक्षण (texture preservation) और रंग शुद्धता प्रदर्शित की जो ओवरस्मूथ या अवशिष्ट शोर वाले परिणाम देते हैं।
- डायनेमिक दृश्यों में, इसने सफलतापूर्वक मोशन विवरणों को रिकवर किया जो अन्य तरीकों में धुंधले या खो गए थे।
एब्लेशन स्टडीज (Ablation Studies):
- ECNS मॉड्यूल को हटाने से PSNR में 3.45 dB की गिरावट आई, जो सहयोगात्मक डिनोइजिंग के महत्व को रेखांकित करता है।
- ड्यूल SNR-गाइडेड फ्यूजन ने डायरेक्ट फ्यूजन और इमेज-ओनली SNR फ्यूजन की तुलना में बेहतर प्रदर्शन किया, जो दोनों मोडैलिटीज की विश्वसनीयता का मूल्यांकन करने की आवश्यकता को सिद्ध करता है।

5. महत्व

सैद्धांतिक प्रगति: यह पेपर इवेंट-आधारित सेंसिंग और पारंपरिक इमेजिंग के बीच की खाई को पाटता है, जो केवल फीचर कॉन्कैटिनेशन से आगे बढ़कर दोनों मोडैलिटीज के बीच एक कठोर भौतिक बाधा (इंटेंसिटी कंसिस्टेंसी) स्थापित करता है।
व्यावहारिक प्रभाव: प्रस्तावित विधि उन परिदृश्यों में उच्च-गुणवत्ता वाली इमेजिंग को सक्षम बनाती है जिन्हें पहले असंभव माना जाता था (जैसे, पूर्ण अंधेरे में नाइट ड्राइविंग, खोज और बचाव कार्य) बिना मोशन ब्लर के।
सामुदायिक संसाधन: REAL डेटासेट का रिलीज इस क्षेत्र में एक महत्वपूर्ण कमी को पूरा करता है, जो लो-लाइट इवेंट-RAW इमेजिंग के लिए पहला बड़े पैमाने पर, पिक्सेल-अलाइन्ड बेंचमार्क प्रदान करता है, जिससे भविष्य के अनुसंधान को सुविधा मिलती है।

संक्षेप में, NEC-Diff फोटॉन-दुर्लभ वातावरण में शोर-बनावट (noise-texture) के ट्रेड-ऑफ को हल करने के लिए डिफ्यूजन मॉडल, भौतिकी-आधारित बाधाओं और मल्टी-मोडल सेंसर फ्यूजन की शक्तियों को जोड़कर लो-लाइट इमेजिंग में एक महत्वपूर्ण छलांग का प्रतिनिधित्व करता है।