RASR：面向低光照图像超分辨率的Retinex引导自适应一步扩散模型

《Sensors》：RASR: Retinex-Guided Adaptive One-Step Diffusion for Low-Light Image Super-Resolution

　　

低光照图像超分辨率旨在从图像传感器捕获的暗弱低分辨率观测中恢复正常光照的高分辨率图像，该过程中光照衰减、传感器噪声、模糊与低分辨率相互耦合，使其比传统超分辨率更具挑战性。基于扩散模型的方法在真实世界超分辨率任务上表现良好，但通常需要代价较高的多步推理；近期一步扩散方法或者依赖全局固定时间步而难以适配逐样本退化，或者直接将暗图像编码到潜空间，从而导致光照偏差与内容退化耦合。针对这些问题，RASR被提出，这是一种面向低光照超分辨率的Retinex引导自适应一步扩散框架。研究人员首先将观测图像分解为反射分量与光照分量，并使用反射分量作为内容载体，以与预训练模型的正常光照先验对齐。随后，潜空间教师基于低质量与高质量潜变量差异构建逐样本监督，而轻量学生仅依据Retinex表征预测噪声水平，从而在推理阶段消除对高质量参考图像的需求。最后，Stable Diffusion 3（SD3）上的单次速度场积分得到结果；训练中仅更新低秩适配器和轻量模块。在RELLISUR基准上的大量实验表明，RASR在峰值信噪比（PSNR）、结构相似性（SSIM）与学习感知图像块相似度（LPIPS）上总体优于现有低光照方法与主流超分辨率方法，其中感知质量提升尤为显著，消融实验也验证了各关键设计的有效性。

研究背景与问题
图像传感器在夜间、弱室内或逆光下接收光子数锐减，常伴随亮度不足、读出噪声和暗电流噪声、高频细节丢失。当低分辨率采集叠加空间下采样时，形成低光照低分辨率复合退化。低光照图像超分辨率（LLSR）需从暗弱低分辨率观测恢复正常光照高分辨率图像，光照衰减、传感器噪声、模糊与分辨率损失相互耦合，因而比传统超分辨率更难。基于Retinex理论（图像可表示为反射分量与光照分量的逐元素乘积）的方法为低光照恢复提供了解耦思路，但已有低光照方法多侧重增亮而忽略空间分辨率恢复。扩散模型可利用预训练生成先验提升真实恢复质量，但多步推理成本高；一步扩散又常采用全局固定时间步，无法适配逐样本曝光、噪声与纹理退化，且直接编码暗图像会耦合光照偏差与内容退化，偏离正常光照先验。RASR据此提出，用以解耦光照与内容并实现自适应一步扩散恢复。如何在保持一步推理效率的同时降低对高质量参考与全局固定噪声水平的依赖，是本研究的核心动机。

主要关键技术方法
研究人员用Retinex分解将低光照观测拆为反射分量与光照分量，以反射分量作为扩散恢复内容载体，并通过面向Stable Diffusion 3（SD3）潜空间的变分自编码器（VAE）编码降低全局光照偏移。潜空间教师利用配对低质量与高质量潜变量差异构造逐样本噪声监督，轻量学生仅依赖Retinex表征预测噪声水平并映射到流匹配（Flow Matching）调度网格。推理执行一次SD3速度场显式欧拉积分，训练仅更新VAE编码器与SD3 Transformer的低秩适配器（LoRA）及轻量模块。实验采用RELLISUR真实低光照超分辨率基准，含3610对训练样本和425对测试样本，评估×2与×4尺度。

研究结果
与现有方法的比较：研究人员在RELLISUR测试集上统一重训并采用峰值信噪比（PSNR）、结构相似性（SSIM）和学习感知图像块相似度（LPIPS）评价。比较对象涵盖CNN回归、GAN、Transformer、级联增强—超分辨率、低光照超分辨率及跨任务复原方法。结果显示，RASR在×2任务三项指标全面领先，PSNR为23.70 dB，并优于专为低光照超分辨率设计的BrZoNet；×4任务中PSNR为21.45 dB、LPIPS为0.319，在PSNR和LPIPS上领先，SSIM为0.729且与去雨—超分辨率跨任务方法DHGM接近。该结果说明Retinex引导表征与一步扩散先验组合能明显提升感知质量。

两阶段损失策略：通过固定权重与两阶段权重对比，两阶段策略在×2与×4任务上均优于单阶段。其先以像素、潜空间和重建类损失建立稳定基础，再逐步引入感知损失与对抗损失，避免判别器过早主导优化。

反射分量表征与自适应时间步：直接编码暗图像会降低保真度与感知指标，说明光照—内容解耦更利于对齐正常光照先验。固定全局中间时间步后，×2三项平均指标下降，×4的LPIPS下降且SSIM略降；连续噪声水平预测的平均绝对误差在×2与×4上分别为0.0259和0.0266，显示自适应时间步收益随尺度和指标不同而变化。

定性比较：视觉比较显示RASR能恢复更清晰暗区细节、更锐利纹理和更自然亮度，并在文字、边缘等高频区域减少伪影；在?3.0 EV、?3.5 EV、?4.0 EV三档曝光下，书架文字区域仍具更高可辨识性，说明模型对不同曝光退化具有一定适应性。

讨论与结论
论文结论指出，RASR将扩散前的Retinex光照解耦、逐样本自适应时间步预测与SD3一步速度场积分统一起来，以单次积分在每个潜在图块上完成恢复。为支持稳定训练，研究人员采用两阶段损失：先建立稳定潜空间和像素基础，再逐步引入感知与对抗损失细化纹理。实验表明，RASR在×2任务全面领先，在×4任务的PSNR和LPIPS上领先，感知质量提升最明显；消融实验验证了两阶段损失、反射分量表征和自适应时间步的有效性，同时也显示自适应时间步在×4任务中伴随轻微SSIM下降。该框架表明，将物理式光照解耦与预训练生成先验结合，可在效率和感知质量之间取得更好的平衡。论文还提出可借鉴频率敏感表征、局部—全局表示、码率条件同步优化以及时空关系补偿等方向进行后续扩展。