以往基于原始图像的低光照图像增强方法主要依赖前馈神经网络，学习从低光照图像到正常曝光图像的确定性映射。然而，这类方法难以捕捉关键的分布信息，导致视觉效果不佳。为此，本文提出一种将扩散模型与基于物理的曝光模型无缝融合的新方法。与传统的扩散模型必须从纯噪声开始进行高斯去噪不同，本方法通过引入基于物理的曝光模型，可直接从含噪图像出发进行恢复，无需经历纯噪声阶段。因此，相较于标准扩散模型，本方法在性能上显著提升，同时推理时间大幅缩短。为进一步充分利用不同迭代步骤的优势，本文进一步提出一种自适应残差层，能够在中间结果已获得良好曝光时，有效抑制迭代优化过程中的副作用，提升恢复质量。所提出的框架可兼容真实配对数据集、当前最先进的噪声模型以及多种骨干网络结构。实验评估在多个公开基准上进行，结果表明，无论采用何种曝光模型或骨干网络，本方法均能 consistently 实现显著且稳定的性能提升。此外，在仅使用少量参数的情况下，该方法在未见增益比例下的泛化能力优于参数量更大的前馈神经网络模型，展现出更强的高效性与鲁棒性。