본 논문은 저수준 비전에서 중요한 과제인 통합 이미지 복원을 위한 새로운 방법을 제시합니다. 기존 방법들은 특정 작업에 맞춤 설계되어 다양한 종류의 손상에 대한 일반화 능력이 제한적이거나, 쌍으로 된 데이터셋으로 학습하여 폐쇄 집합 제약을 겪는다는 한계점을 가지고 있습니다. 이를 해결하기 위해, 본 논문에서는 사전 훈련된 잠재 확산 모델을 활용한 순환적 사후 샘플링을 통해 데이터셋이 필요없는 통합 접근 방식을 제안합니다. 이 방법은 작업에 무관한 조건 하에서 생성 모델에 대한 의미적 사전 정보를 제공하기 위해 다중 모드 이해 모델을 통합하고, 손상된 입력을 확산 모델의 생성 선호도와 정렬하기 위한 경량 모듈을 사용하며, 사후 샘플링을 위한 순환적 개선을 활용합니다. 광범위한 실험을 통해 제안된 방법이 최첨단 방법들을 능가함을 보여주며, 그 효과와 강건성을 검증합니다. 코드와 데이터는 https://github.com/AMAP-ML/LD-RPS 에서 공개될 예정입니다.