Single-Stage Signal Attenuation Diffusion Model for Low-Light Image Enhancement and Denoising

1. O Problema

Imagens capturadas em condições de baixa luminosidade (como vigilância noturna, direção autônoma e sensoriamento remoto) sofrem de três degradações principais: brilho insuficiente, ruído pronunciado e perda de detalhes finos.

• Limitações dos Métodos Atuais:
  • Métodos Tradicionais e de Aprendizado Profundo: Frequentemente utilizam abordagens de múltiplos estágios (ex: "melhorar brilho primeiro, depois remover ruído" ou decomposição baseada em Retinex). Essa separação desacopla as tarefas, impedindo a otimização sinérgica, aumentando a complexidade do modelo e resultando em artefatos visuais, distorção de cor e desempenho subótimo.
  • Modelos de Difusão Existentes: Embora os Modelos de Difusão Probabilística (DDPMs) sejam poderosos para restauração de imagens, as abordagens atuais para melhoria de baixa luminosidade (LLIE) ainda aderem a pipelines de dois estágios ou exigem redes de correção auxiliares. Isso mantém a desconexão entre a recuperação de brilho e a supressão de ruído, além de comprometer a eficiência de treinamento e inferência.

2. Metodologia Proposta: SADM

Os autores propõem o Signal Attenuation Diffusion Model (SADM), um modelo de difusão de único estágio que integra a melhoria de brilho e a remoção de ruído em uma única operação coerente.

Mecanismo Central: Atenuação de Sinal

A inovação fundamental é a introdução de um fator de atenuação de sinal ($k_t$) no processo de adição de ruído forward (adição de ruído).

• Processo Forward (Adição de Ruído e Atenuação):
  Ao contrário do DDPM padrão onde $x_t = a_t x_{t-1} + b_t \epsilon_t$, o SADM utiliza:
  $$x_t = k_t(a_t x_{t-1} + b_t \epsilon_t)$$
  Onde $k_t$ é um coeficiente de atenuação que diminui gradualmente (ex: $k_t = 0.999 \times k_{t-1}$).
  • Objetivo Físico: À medida que o processo avança para $T$ passos, a imagem não apenas converge para ruído puro, mas também para um nível de intensidade atenuada que simula as características físicas de uma imagem de baixa luminosidade. Isso codifica os priors físicos da degradação de baixa luz diretamente no processo de difusão.
• Processo Reverse (Denoising e Melhoria Unificados):
  O processo reverso aprende a recuperar a imagem original ($x_0$) a partir do estado atenuado e ruidoso. Como o processo forward modelou a degradação de baixa luz, o processo reverso realiza naturalmente a recuperação de brilho e a supressão de ruído simultaneamente, eliminando a necessidade de módulos de correção externos ou estágios sequenciais.

Derivação Matemática e Amostragem

• Consistência com DDIM: Os autores derivam as relações de forward e reverse rigorosamente, garantindo consistência com os Modelos de Difusão Implícitos (DDIM).
• Amostragem Multi-Escala (Pyramid Sampling): Para melhorar a eficiência computacional, o modelo utiliza uma estratégia de pirâmide multi-escala, reduzindo a resolução da imagem durante as etapas iniciais do processo de difusão.
• Amostragem DDIM: A amostragem DDIM é empregada para acelerar a inferência (reduzindo os passos de 1000 para 10) sem sacrificar a qualidade de geração.

Arquitetura e Função de Perda

• Rede: Utiliza uma arquitetura SR3Unet como rede preditora de ruído.
• Condições: A rede recebe como entrada a imagem ruidosa, o tempo atual, e condições de imagem que incluem a imagem de baixa luz original e um mapa de prioridade de desembaçamento (dehaze) leve. O pré-processamento de desembaçamento ajuda a revelar detalhes em regiões escuras e mitigar desvios de cor antes da entrada no modelo de difusão.
• Função de Perda: Combina:
  1. Perda L1: Para o erro entre o ruído previsto e o ruído real.
  2. GTmeanLoss: Para alinhar o brilho médio da imagem restaurada com a imagem de referência (Ground Truth).
  3. PercepçãoLoss: Baseada em VGG-19 para garantir consistência visual e de textura em nível perceptual.

3. Principais Contribuições

1. Unificação em Único Estágio: O SADM é o primeiro modelo a unificar formalmente a melhoria de brilho e a supressão de ruído em um único framework de difusão, eliminando pipelines de dois estágios e redes de correção auxiliares.
2. Mecanismo de Atenuação de Sinal: A introdução do coeficiente $k_t$ cria uma base matemática sólida para a otimização conjunta, simulando fisicamente a degradação de baixa luz durante o processo de difusão.
3. Guia de Prior Adaptativo: Incorporação de um módulo de desembaçamento leve para melhorar a estimativa de iluminação e reduzir desvios de cor, aumentando a robustez em diversos cenários.
4. Eficiência e Qualidade: Combinação de amostragem multi-escala e DDIM para alcançar alta fidelidade com baixa latência computacional.

4. Resultados Experimentais

O modelo foi avaliado em conjuntos de dados públicos padrão (LOLv1, LOLv2-Real, LOLv2-Syn) e comparado com 12 métodos state-of-the-art (SOTA), incluindo Zero-DCE, Retinexformer, PyDiff, DRP, entre outros.

• Métricas Quantitativas: O SADM alcançou os melhores resultados em PSNR e SSIM em todos os conjuntos de dados principais.
  • No LOLv1: PSNR de 28.0985 (superior ao segundo melhor, DRP, com 24.6320) e SSIM de 0.8770.
  • No LOLv2-Real: PSNR de 28.9338 (primeiro lugar).
• Qualidade Visual:
  • LOLv1: Melhor recuperação de brilho em regiões escuras, eliminação superior de ruído e supressão de "smearing" (borramento) em comparação com o Ground Truth e outros métodos.
  • LOLv2-Real: Distribuição uniforme de brilho local sem sobreexposição ou subexposição, preservando texturas ao redor de fontes de luz.
  • Generalização: Testes em dados não emparelhados (sem Ground Truth) mostraram que o SADM suprime a sobreexposição de forma adaptativa e preserva tons naturais, superando métodos concorrentes que tendem a super-realçar ou distorcer cores.
• Estudo de Ablação: Confirmou que o fator de atenuação ($k$) é crucial para o desempenho. A combinação de perdas (GTmean + Percepção) e a condição de prior de desembaçamento foram essenciais para a alta qualidade final.

5. Significado e Impacto

O trabalho representa um avanço significativo na área de visão computacional para imagens de baixa luminosidade:

• Paradigma Unificado: Demonstra que a melhoria de brilho e a remoção de ruído não precisam ser tarefas separadas, mas podem ser modeladas como um único processo de geração probabilística quando os priors físicos da degradação são incorporados corretamente.
• Eficiência: Ao eliminar a necessidade de redes de correção e pipelines complexos de múltiplos estágios, o SADM simplifica a arquitetura e reduz o tempo de inferência, tornando-o mais viável para aplicações em tempo real.
• Aplicações Práticas: A melhoria na qualidade de imagens noturnas impacta diretamente a confiabilidade de sistemas críticos como vigilância, veículos autônomos e sensoriamento remoto, permitindo que algoritmos de visão computacional downstream operem com maior precisão em condições adversas.

Em resumo, o SADM oferece uma solução elegante e matematicamente fundamentada para o desafio complexo da melhoria de imagens de baixa luminosidade, superando os métodos existentes em qualidade de restauração e eficiência computacional.