LUCID: Learning Unified Control for Image Deflaring
and Exposure Mastery in Nighttime Photography

Anonymous Author(s)

“A unified diffusion framework that jointly addresses lens flare removal and exposure control in nighttime photography, enabling continuous and controllable restoration.”, SIGGRAPH 2026

Abstract: Photography is the art of painting with light, yet nighttime scenes are shaped by competing degradations: intense flares obscure scene structure, while photon-limited regions collapse into noise. Conventional approaches address these factors in isolation, overlooking the fact that these degradations are fundamentally entangled. To bridge this gap, we introduce LUCID, a unified framework that reframes nighttime restoration as a continuous and controllable process rather than a fixed correction. We decompose nighttime restoration into two cooperative components: a flare disentanglement module that lifts the “curtain” of optical artifacts to provide reliable structural guidance, and a diffusion-driven module that leverages generative priors to reconstruct clean and well-exposed imagery. Crucially, LUCID introduces explicit controllability through a novel four-mode training strategy, enabling users to steer the restoration process via Classifier-Free Guidance (CFG) and allowing selective control over light sources and their associated flare and ghosting artifacts, while also supporting HDR reconstruction through continuous exposure control. Extensive experiments demonstrate that LUCID consistently outperforms state-of-the-art methods across diverse real-world nighttime scenarios.

🔥 Highlights

统一框架：首次将镜头光晕去除（deflaring）与曝光增强（low-light enhancement）统一在单一扩散模型中联合求解，避免了级联流水线的误差累积问题。
连续可控：通过 Classifier-Free Guidance（CFG），用户可连续调节输出亮度（Exposure Value），实现从欠曝光到过曝光的平滑过渡。
光源精细控制：四模式训练策略（Four-Mode Training）使模型支持对光源的选择性保留或抑制，同时支持”保留光晕”或”完全去除光晕”的语义切换。
单图 HDR 重建：利用 CFG 合成虚拟曝光序列，经拉普拉斯金字塔融合实现单张图像的 HDR 重建。
强泛化能力：在 ExDark、Flare7K、SiHDR 等多个基准上全面超越最新 SOTA，并在电影素材等 in-the-wild 场景中展现出色的鲁棒性。

🎯 Problem Formulation

夜间图像退化遵循扩展 Retinex 模型：

I = R ⋅ L + F

其中 R 为场景反射率，L 为环境光照，F 为光晕引起的加性杂散光。

两种退化相互耦合、相互对抗： - 提升曝光（增大 L）会同时放大光晕 F； - 激进去除光晕 F 会破坏合法场景结构。

因此，LUCID 将二者分解后协同求解，而非独立处理。

🏗️ Framework Overview

LUCID 由两个串联模块组成：

1. Flare Disentanglement（光晕解耦模块）

采用轻量级 U-Net，共享编码器 E_decomp，双并行解码器 D_flare 和 D_bg：

I_flare = D_flare(E_decomp(I_in))

I_bg = D_bg(E_decomp(I_in))

为保证解耦有效性，施加以下约束：

正交约束（防止两路特征表示相同内容）： ℒ_ortho = ∥F_bg^k ⊙ F_flare^k∥₂²
重建一致性约束： ℒ_recon = ∥(I_flare + I_bg) − I_in∥₂²
总损失： ℒ = ℒ_recon + ℒ_ortho + ℒ_comp

2. Mixing-View Diffusion（多视角扩散模块）

将解耦后的 I_bg 和 I_flare 沿 View 维度拼接，送入扩散网络进行跨视图交互，实现精细化复原。扩散损失为：

ℒ_diff = ℒ_intri + ℒ₂ + ℒ_LPIPS

其中 ℒ_intri 为多层特征级内在感知损失。

🎛️ Four-Mode Training Strategy

LUCID 核心创新之一：通过四种训练模式的混合监督，让模型在推理时支持连续控制。

模式	主输入	参考视图	训练目标	效果
Positive Mode 1	I_bg	I_in（原图）	I_high（良好曝光）	曝光增强 + 去光晕
Negative Mode 1	I_bg	I_flare（光晕图）	I_low（欠曝光）	与光晕关联，抑制增强
Positive Mode 2	I_bg	I_in + 光源 prompt	I_high + I_hlight	保留光源外观
Negative Mode 2	I_bg	I_flare + 光源 prompt	I_low + I_llight	抑制光源散射

推理时，CFG scale β 在 [0.25, 1.5] 范围内连续调节，β < 1 时偏向负向（去光晕、欠曝光），β > 1 时偏向正向（增强、保留光源），β ≈ 1.05 为感知最优平衡点。

CFG 与曝光值（ΔEV）呈近似线性关系，用户可直觉化地拨动参数控制亮度。

💡 Single-Image HDR Reconstruction

LUCID 通过 CFG 在曝光解空间（Exposure Solution Manifold）上采样一组虚拟曝光序列，再经拉普拉斯金字塔融合 + 基于质量的权重图合成 Tone-mapped HDR，实现从单张夜间图像重建 HDR 的完整流程。

📊 Experiments

数据集

任务	数据集	说明
通用夜间增强	ExDark（筛选 1271 张）	极暗、逆光、色偏等多样场景
光晕去除	Flare7K	真实夜间镜头光晕与鬼影
单图 HDR	SiHDR	单曝光 HDR 重建

定量结果（ExDark，无参考 IQA，越高越好）

方法	CLIPIQA↑	MANIQA↑	MUSIQ↑	LIQE↑	NIMA↑
ExDark（原图）	0.4281	0.2939	50.99	2.267	5.227
Zero-DCE	0.4243	0.2899	50.98	2.078	4.999
Retinexformer	0.3749	0.2588	52.26	2.058	5.121
Jin et al.	0.3664	0.2585	51.89	2.087	5.078
Reti-Diff	0.4159	0.2867	50.91	1.967	5.083
DarkIR	0.4107	0.3078	52.03	2.076	5.046
LUCID（β=1.05）	0.4774	0.3264	61.45	3.019	5.390

LUCID 在全部五项无参考感知指标上均达到最优，MUSIQ 提升尤为显著（+9.19 vs. 第二名）。

与级联流水线的对比

直接级联”去光晕 → 低光增强”方法存在误差累积：去光晕阶段残留的潜在光晕在黑暗中难以察觉，却在增强阶段被大幅放大为严重伪影。LUCID 的联合建模从根本上规避了这一问题。

可控性验证

对比三种替代方案： 1. Naive Baseline（全局曝光调整）：放大传感器噪声，同时扩大光晕范围； 2. Cascaded Pipeline：误差累积，产生非自然残影； 3. Commercial GenAI（纯文本控制）：语义漂移，精细亮度调节能力不足。

LUCID 通过 CFG scale 实现透明、可预测的连续控制，弥补了上述所有缺陷。

🖼️ Qualitative Results

通用夜间增强（ExDark）：LUCID 有效抑制超暗区域噪声、压缩高对比动态范围、修正色偏、恢复逆光场景清晰度，各场景均展现最佳语义一致性。

光晕去除（Flare7K）：基线方法常见残留条纹/模糊边缘，或对光源周围过度减法导致不自然锐边。LUCID 借助生成先验合成可靠背景纹理，同时重建光源的自然光学衰减，结果视觉洁净且物理合理。

单图 HDR（SiHDR）：IntrinsicHDR 阴影压暗；LEDiff、Gaslight 出现幻觉（屋顶变形、色偏、光晕放大）。LUCID 保持结构保真度与自然色彩平衡，达到最佳光真实感。

下游应用： - 预处理：去除已有光晕，为后续 prompt 驱动编辑提供干净底图； - 后处理：为 AI 生成图像灵活调节曝光和光晕效果。

⚒️ TODO

Release code and pretrained models
Release project page

🔗 Contents

🔎 Results

LUCID 在 ExDark、Flare7K、SiHDR 三个基准上全面达到最先进水平，详细定量与定性结果见论文。

📎 Citation

@inproceedings{lucid2026,
    title={{LUCID: Learning Unified Control for Image Deflaring and Exposure Mastery in Nighttime Photography}},
    author={Anonymous Author(s)},
    booktitle={ACM SIGGRAPH},
    year={2026}
}

💡 Acknowledgements

[TBD]