أظهرت نماذج التفريغ نتائج واعدة في مهام استعادة الصور، إلا أنها تعاني من استهلاك طويل للوقت، واستهلاك مفرط للموارد الحسابية، وعدم استقرار في عملية الاستعادة. ولحل هذه المشكلات، نقترح منهجية فعالة وقوية لتحسين الصور ذات الإضاءة المنخفضة تعتمد على النماذج التفريغية، ونُسمّيها DiffLL. بشكل خاص، نقدّم نموذجًا تفريقيًا مشروطًا يستند إلى تحويل الموجات (WCDM)، الذي يستفيد من القوة التوليدية للنماذج التفريغية لإنتاج نتائج تتميز بجودة إدراكية مرضية. علاوةً على ذلك، يستفيد النموذج أيضًا من مزايا تحويل الموجات لتسريع عملية الاستنتاج وتقليل استهلاك الموارد الحسابية دون التضحية بالبيانات المحتواة. ولتجنب المحتوى الفوضوي والتنوع العشوائي، نُطبّق كلًا من التفريغ الأمامي والتنقية خلال مرحلة التدريب في WCDM، مما يمكّن النموذج من تحقيق تنقية مستقرة وتقليل العشوائية أثناء الاستنتاج. علاوةً على ذلك، صممنا وحدة إصلاح التردد العالي (HFRM) التي تستخدم التفاصيل الرأسية والأفقية للصورة لتعويض المعلومات القطرية، مما يُحسّن من دقة الاستعادة على المستوى الدقيق. أظهرت التجارب الواسعة على معايير واقعية متاحة للجمهور أن منهجيتنا تتفوّق على الطرق الحالية المتميزة من حيث الأداء الكمي والمرئي، كما حققت تحسينات ملحوظة في الكفاءة مقارنة بالطرق السابقة القائمة على النماذج التفريغية. وبالإضافة إلى ذلك، أظهرت تجاربنا تطبيقية أن استخدام النموذج في كشف الوجوه في البيئات ذات الإضاءة المنخفضة يُظهر القيمة العملية الكامنة لمنهجيتنا. يمكن الوصول إلى الشيفرة المصدرية عبر الرابط: https://github.com/JianghaiSCU/Diffusion-Low-Light.