La mejora de imágenes con poca luz es muy significativa para tareas de visión. Presentamos Mejora de Imágenes con Poca Luz a través de una Red de Aprendizaje Profundo (LLE-NET), que emplea una red profunda para estimar los parámetros de la curva. Se emplean curvas cúbicas y corrección gamma para mejorar imágenes con poca luz. Nuestra investigación entrena una red ligera para estimar los parámetros que determinan la curva de corrección. A través de los resultados de la red de aprendizaje profundo, se confirman curvas de corrección precisas, que se utilizan para la corrección píxel a píxel de los canales RGB. La imagen mejorada por nuestros modelos se asemeja estrechamente a la imagen de entrada. Para acelerar aún más la velocidad de inferencia del modelo de mejora de poca luz, se propone un modelo de mejora de poca luz basado en la corrección gamma con una iteración. LLE-NET exhibe una velocidad de inferencia notable, logrando 400 fps en una sola GPU para imágenes de tamaño mientras mantiene una calidad de mejora agradable. El modelo de mejora basado en la corrección gamma alcanza una impresionante velocidad de inferencia de 800 fps para imágenes de tamaño en una sola GPU.