这篇论文最有意思的地方，不是"用扩散模型做暗光增强"这么简单，而是直接在RAW数据上微调预训练的文本到图像扩散模型，让一个Stable Diffusion同时学会去马赛克、白平衡、色彩校正和降噪——端到端地替代了整个传统ISP流水线。论文: DiffuseRAW: End-to-End Generative RAW Image Processing for Low-Light Images作者: Rishit Dagli发表单位: University of Toronto发表: arXiv 2024 (2402.18575)论文链接: https://arxiv.org/abs/2402.18575代码链接: 暂未开源一、引言极暗光成像是计算机视觉中一个经典的病态问题（ill-posed problem）。当环境光照低于0.1 lux（接近人眼极限）时，相机传感器只能捕获极少的光子，导致信噪比（SNR）极低，图像被严重噪声污染。传统的解决思路包括：
这篇论文最有意思的地方，不是"用扩散模型做暗光增强"这么简单，而是直接在RAW数据上微调预训练的文本到图像扩散模型，让一个Stable Diffusion同时学会去马赛克、白平衡、色彩校正和降噪——端到端地替代了整个传统ISP流水线。论文: DiffuseRAW: End-to-End Generative RAW Image Processing for Low-Light Images作者: Rishit Dagli发表单位: University of Toronto发表: arXiv 2024 (2402.18575)论文链接: https://arxiv.org/abs/2402.18575代码链接: 暂未开源一、引言极暗光成像是计算机视觉中一个经典的病态问题（ill-posed problem）。当环境光照低于0.1 lux（接近人眼极限）时，相机传感器只能捕获极少的光子，导致信噪比（SNR）极低，图像被严重噪声污染。传统的解决思路包括：
)
