有意思的不是"又拿扩散模型做了一次色彩恒常"，而是它换了问题的定义方式：传统 AWB 是回归题——从整幅图估一个 RGB 光照向量，再全局除掉；而 WaveDiff-CC 把它改写成小波多尺度域里的条件生成题，用扩散模型去"画"出一张随空间变化的校正先验。这个转身，恰好对准了单光照假设最容易翻车的地方。
问题背景：单向量假设在混合光照下失效
经典色彩恒常（灰世界、Gamut mapping、FC4 这类 CNN）几乎都默认一幅图只有一个光源，输出一个三维光照色度，再整幅统一校正。可真实场景里，窗边冷光配室内暖光、霓虹灯下的街景、阴影与直射光交界——同一张图里白点是空间变化的。用一个向量去除，要么牺牲一半区域，要么在光源交界处留下明显的色偏与伪影。作者点得很直白：这种混合光照下，传统算法失效，连现代深度学习方法也会引入可见的视觉伪影。
方法关键转折：小波分解 + 扩散先验 + 跨尺度融合
它的三步值得拆开看：
- 小波变换先把图拆成多尺度域。低频子带承载大范围的光照/色偏结构，高频子带保留边缘与纹理细节。把校正放到这个分解空间做，天然把"全局色偏"和"局部细节"分开处理——这正是单向量方法做不到的解耦。
- 条件扩散模型生成数据驱动的先验，用来引导色彩校正。注意这里扩散的角色变了：不是去生成一张漂亮图，而是去生成一个先验场，把"这块区域该往哪个方向纠色"这种难以用一个向量表达的、空间非均匀的知识，交给生成模型从数据里学出来。这和已经聊过的 GCC（往画面里"画"一张色卡再读灰块）是两条不同思路——GCC 借生成补出参照物，WaveDiff-CC 直接生成校正先验。
- 动态多头注意力在先验引导下跨尺度融合多尺度特征，实现全局一致又保细节的色彩重建。多头注意力在这里的价值是让不同尺度、不同区域的先验按需组合，而不是硬性平均。
作者报告在若干高难度数据集上取得了当前最优的精度与视觉质量（原文未在可公开获取的摘要里给出具体角度误差数值，此处不臆造）。
应用发散：它可能进入哪些真实影像工作流
- 多光照 AWB / 分区白平衡：这套"生成空间变化先验 + 跨尺度融合"的范式，和把稠密光照标注当监督的分区白平衡路线高度同构。它给出一个提示——与其死磕更准的单向量回归，不如把 ISP 的 AWB 环节重新设计成"输出一张校正先验图"。
- 相册与后期修图：对已经落成 sRGB、丢了 RAW 的老照片，扩散先验能补出符合场景统计的空间校正，比全局白平衡更贴合混光场景。
- 跨设备一致性：把先验建在小波域而非某台相机的原始色空间，理论上对不同 spectral sensitivity 的迁移更友好——但这点需要实测验证。
局限与存疑
三点要打问号。其一，扩散推理的成本：ISP 是实时链路，多步采样很难塞进手机端，能否像 GCC 那样蒸馏到单步是落地前提。其二，没有公开代码与 arXiv 预印本（目前仅 PRCV 2025 / Springer 收录），复现难度高，SOTA 结论只能存疑待核。其三，“生成先验"的可控性：扩散模型可能在缺乏参照的强色偏场景里"编"出物理上不成立的校正——色彩恒常最怕的正是把先验当成了事实。对做 ISP 落地的人，值得盯的是它把 AWB 从"估一个数"变成"生成一个场"这个视角，而非它当下的具体数字。