盲图像恢复在低级视觉任务中仍然面临挑战。研究提出了一种频率感知指导损失，能够集成到去噪扩散模型中，以增强内容一致性。实验结果表明，该方法在盲图像去模糊等任务中显著提升了图像质量，PSNR值提高了3.72dB。

该文综述多种图像修复方法：DGUNet通过展开PGD网络提升可解释性；JpgNet融合预测滤波与生成网络；基于GAN的渐进潜空间扩展去噪；GLSGN以全局-局部渐进网络恢复超高分辨率图像；CUGAN可控生成高频纹理；UEGAN实现无监督增强；基于扩散先验的GDP用于盲图像恢复。各方法在相应任务上均优于现有技术。

本文介绍了一种基于无监督学习的生成扩散先验（GDP）方法，可用于盲图像恢复。该方法采用预训练的去噪扩散生成模型（DDPM）来建模后验分布，并通过优化退化模型参数来实现图像恢复。实验结果表明，GDP 在各种图像重建质量和感知质量的基准测试中表现优异。