低光图像增强 (LLIE) 对于安全相关应用至关重要，例如监控、自动驾驶和医学成像，因为低能见度会降低后续任务的性能。近年来，扩散模型因其能够通过迭代去噪对复杂图像分布进行建模的能力，已成为 LLIE 的一种颇具前景的生成范式。本研究对使用扩散模型的 LLIE 进行了前沿的批判性分析，包括与基于生成对抗网络 (GAN) 和 Transformer 的先进方法进行深入的比较性能评估、对现实世界部署挑战的全面回顾，以及对基础模型等新兴范式作用的前瞻性展望。本研究提出了一个涵盖六个类别的多层面分类法：本征分解、光谱与潜在、加速、引导、多模态和自主，涵盖物理先验信息、条件规划和计算效率。该分类法基于模型机制和条件信号的混合视角。它还评估了定性故障模式、基准不匹配、可解释性、泛化能力和推理效率之间的权衡。我们还讨论了实际部署约束（例如内存和能耗）以及伦理考量。本研究旨在通过强调趋势并提出开放性研究问题（包括新型条件模型、实时自适应模型和基础模型的潜力）来指导下一代基于扩散的LLIE研究。
