Diese Arbeit untersucht einen auf Diffusionsmodellen basierenden Ansatz zur Lösung des Problems der Bildverbesserung bei schlechten Lichtverhältnissen. Um die Stärken von Diffusionsmodellen optimal auszunutzen, analysieren wir diesen komplexen Prozess eingehend und setzen uns für die Regularisierung der inhärenten ODE-Bahn (gewöhnliche Differentialgleichungsbahn) ein. Genauer gesagt, inspiriert durch neuere Forschungsergebnisse, die belegen, dass eine geringe Krümmung der ODE-Bahn zu einem stabilen und effektiven Diffusionsprozess führt, führen wir einen Krümmungs-Regulierungsterm ein, der auf den intrinsischen, nicht-lokalen Strukturen bilddatenbasierter Informationen beruht – konkret eine global struktur-orientierte Regularisierung. Diese Regularisierung fördert schrittweise die Erhaltung komplexer Details und die Steigerung des Kontrasts während des Diffusionsprozesses. Durch diese Integration werden die negativen Auswirkungen von Rauschen und Artefakten, die durch den Diffusionsprozess entstehen können, gemildert, was zu einer präziseren und flexibleren Bildverbesserung führt. Um zudem das Lernen in anspruchsvollen Bildregionen zu unterstützen, stellen wir eine unsicherheitsgeleitete Regularisierungstechnik vor, die die Einschränkungen gezielt in den extremsten Regionen des Bildes lockert. Experimentelle Bewertungen zeigen, dass der vorgeschlagene, auf Diffusionsmodellen basierende Rahmen mit rankinformierter Regularisierung eine herausragende Leistung bei der Verbesserung von Bildern bei schlechten Lichtverhältnissen erzielt. Die Ergebnisse belegen deutliche Fortschritte in Bezug auf die Bildqualität, die Unterdrückung von Rauschen und die Verstärkung des Kontrasts im Vergleich zu aktuellen state-of-the-art-Methoden. Wir sind überzeugt, dass dieser innovative Ansatz weitere Forschung und Weiterentwicklung im Bereich der Bildverbesserung bei schlechten Lichtverhältnissen anregen wird und potenzielle Auswirkungen auf andere Anwendungen von Diffusionsmodellen haben könnte. Der Quellcode ist öffentlich unter https://github.com/jinnh/GSAD verfügbar.