基于扩散模型的图像去伽马校正结题报告.docVIP

基于扩散模型的图像去伽马校正结题报告

一、研究背景与问题提出

在数字图像的采集、传输与显示过程中，伽马校正（GammaCorrection）是一项广泛应用的非线性变换技术。其核心目的是补偿人类视觉系统对亮度的非线性感知特性，使图像在不同显示设备上呈现出更符合人眼观察习惯的视觉效果。典型的伽马校正过程遵循幂函数变换公式：$O=I^\gamma$，其中$I$为原始线性亮度值，$O$为经过伽马校正后的输出值，$\gamma$为校正系数（通常取值在1.8至2.4之间）。

然而，在实际的图像处理工作流中，伽马校正的不当应用或多次叠加会导致图像信息的失真与损失。例如，当用户从互联网下载经过伽马校正的图像后，若在编辑软件中再次应用默认伽马设置，会造成双重校正，使图像出现过暗、对比度异常等问题。此外，在计算机视觉任务如目标检测、图像分割中，算法模型通常假设输入数据为线性亮度空间，伽马失真会显著降低模型的性能表现。

传统的去伽马校正方法主要依赖于对伽马值的估计与逆变换计算。这类方法的核心思路是通过分析图像的直方图分布、灰度统计特征或参考已知的标准亮度卡，求解出原始的伽马系数$\gamma$，再通过$I=O^{1/\gamma}$进行逆运算。然而，这类方法存在诸多局限性：其一，当图像经过多次非线性变换或混合了多种伽马系数时，单一的逆变换无法准确恢复原始信息；其二，在低光照、高压缩比或存在严重