La visión por computadora y el aprendizaje profundo son esenciales en diversos campos como la conducción autónoma, la imagen médica, el reconocimiento facial y la detección de objetos. Sin embargo, mejorar las imágenes de teledetección en condiciones de poca luz sigue siendo un desafío tanto para la investigación como para las aplicaciones del mundo real. La baja iluminación degrada la calidad de la imagen debido a las limitaciones del sensor y factores ambientales, debilitando la fidelidad visual y reduciendo el rendimiento en tareas de visión. Problemas comunes como la iluminación insuficiente, la contraluz y la exposición limitada crean bajo contraste, sombras pesadas y mala visibilidad, particularmente por la noche. Proponemos QWR-Dec-Net, una red de descomposición Retinex basada en cuaterniones diseñada para la mejora de imágenes en condiciones de poca luz. QWR-Dec-Net consta de dos módulos clave: un módulo de descomposición que separa la iluminación y la reflectancia, y un módulo de eliminación de ruido que fusiona una representación de color holística cuaternión con información multi-frecuencia de wavelet. Esta estructura mejora conjuntamente la constancia del color y la supresión de ruido. Los experimentos en conjuntos de datos de teledetección en condiciones de poca luz (LSCIDMR y UCMerced) muestran que QWR-Dec-Net supera a los métodos actuales en PSNR, SSIM, LPIPS y precisión de clasificación. La estimación precisa de la iluminación y la reflectancia estable del modelo lo hacen muy adecuado para tareas de teledetección como la detección de objetos, la vigilancia por video, la agricultura de precisión y la navegación autónoma.