Reti-Diff: Illumination Degradation Image Restoration with Retinex-based Latent Diffusion Model论文阅读

1. 研究目标与实际意义

1.1 研究目标

论文旨在解决光照退化图像恢复（Illumination Degradation Image Restoration, IDIR）任务中的两大核心挑战：

1. 计算效率问题：现有扩散模型（如Diff-Retinex）直接在图像空间生成，导致推理步骤多、计算成本高；
2. 像素对齐问题：生成图像与原始输入在细节和局部一致性上存在偏差（见图1虚线框示例）。

1.2 实际意义

IDIR在安防监控、医学影像、自动驾驶等领域有广泛应用。传统方法依赖手工先验，深度学习模型（如Retinex-Net）缺乏对复杂退化的鲁棒性。Reti-Diff通过潜在空间扩散模型（LDM）和Retinex引导的分解-生成范式，显著提升复杂光照退化场景下的恢复质量与效率，为下游任务（如低光目标检测）提供可靠输入。

---

2. 创新方法与模型设计

2.1 整体框架

Reti-Diff由两部分组成（见图3）：

1. Retinex-based Latent Diffusion Model (RLDM)：在潜在空间生成Retinex先验（反射率先验 $Z_R$ 和光照先验 $Z_L$）；
2. Retinex-guided Transformer (RGformer)：利用先验引导图像分解与增强。

2.2 Retinex Prior Extraction (RPE)模块

2.2.1 Retinex分解

根据Retinex理论，图像分解为反射率 $R$ 和光照 $L$：
$$I_{LQ}=R_{LQ}\odot L_{LQ},I_{GT}=R_{GT}\odot L_{GT}(1)$$
其中 $\odot$ 表示逐元素乘积。通过预训练分解网络 $D(\cdot )$ 分离低质（LQ）和高质量（GT）图像的反射率与光照分量。

2.2.2 先验压缩

通过RPE模块将GT与LQ的Retinex分量压缩为紧凑先验：
$$Z_R=\text{RPE}(\text{down}(\text{conca}(R_{GT},R_{LQ})))$$
$$Z_L=\text{RPE}(\text{down}(\text{conca}(L_{GT},L_{LQ})))(2)$$
其中，conca表示通道拼接，down通过PixelUnshuffle实现下采样，RPE由多层卷积构成。

2.3 Retinex-guided Transformer (RGformer)

2.3.1 Retinex-guided Multi-head Cross Attention (RG-MCA)

输入特征 $F$ 被分为两部分 $F_1$ 和 $F_2$，分别与 $Z_{}$