El rápido avance en las tecnologías de aprendizaje profundo ha acelerado el uso de modelos de detección de objetos, pero la mayoría de los modelos no operan satisfactoriamente en entornos de poca luz. Como resultado, se han realizado muchos estudios sobre técnicas de mejora de imágenes con el objetivo de hacer que los objetos sean más visibles al aumentar el contraste, pero el proceso de mejora de imágenes puede impactar negativamente en la detección al fortalecer aún más los ruidos no deseados debido a factores indirectos de reflexión de la luz, como la baja luminosidad general, farolas y letreros de neón. Por lo tanto, en este estudio, proponemos una técnica para mejorar el rendimiento de la detección de objetos en entornos de poca luz. La técnica propuesta invierte una imagen de poca luz para hacerla similar a una imagen brumosa y luego utiliza un algoritmo de eliminación de bruma basado en entropía y fidelidad para aumentar el contraste de la imagen, aclarando el límite entre el objeto y el fondo. En el siguiente paso, utilizamos el filtro de Wiener 2D adaptativo (A2WF) para atenuar el ruido fortalecido accidentalmente durante el proceso de mejora de la imagen y reforzamos el límite entre el objeto y el fondo para aumentar el rendimiento de la detección. Los resultados de evaluación de la prueba mostraron que el esquema propuesto de mejora de imágenes aumentó significativamente el rendimiento de percepción de imágenes, con el evaluador de calidad de imagen basado en percepción siendo un 12.73% menor que las técnicas de mejora de imágenes existentes. En una comparación del rendimiento de la detección de vehículos, la técnica propuesta para mejorar las imágenes nocturnas combinada con el modelo de detección demostró su eficacia al aumentar la precisión promedio hasta un 18.63% en comparación con los métodos de detección existentes.