Las técnicas actuales de mejora de imágenes con poca luz priorizan aumentar la luminancia de la imagen pero no abordan problemas como la pérdida de distorsión detallada de colores y detalles de la imagen. Para abordar estos problemas que han sido pasados por alto por todas las partes, este documento sugiere una red de optimización de varios módulos para mejorar imágenes con poca luz mediante la integración del aprendizaje profundo con la teoría de Retinex. Primero, creamos una red de descomposición para separar los componentes de iluminación y reflejos de la imagen con poca luz. Incorporamos un módulo de atención espacial global mejorado (GSA) en la red de descomposición para potenciar su flexibilidad y adaptabilidad. Este módulo mejora la extracción de información completa de la imagen y protege contra la pérdida de información. Para aumentar la luminosidad del componente de iluminación, posteriormente construimos una red de mejora. El Bloque de Guía Multiescala (MSGB) se ha integrado en la red de mejora, junto con una convolución extendida de capas múltiples para ampliar el campo de percepción y mejorar la capacidad de extracción de características de la red. Nuestro método propuesto supera a las formas existentes tanto en medidas objetivas como en evaluaciones personales, enfatizando las virtudes del procedimiento descrito en este documento.