Recientemente, los métodos de mejora de imágenes con poca luz basados en aprendizaje profundo han avanzado considerablemente. Beneficiándose de arquitecturas de modelos elaboradamente diseñadas, estos métodos disfrutan de ganancias de rendimiento considerable. Sin embargo, la generalización de estos métodos puede ser débil y pueden sufrir del riesgo de sobreajuste en caso de datos insuficientes como resultado. Al mismo tiempo, el diseño de modelos complejos conlleva serias cargas computacionales. Para mejorar aún más el rendimiento, explotamos la información dual, incluyendo información espacial y de canal (contextual), en el espacio de características de alta dimensión. Específicamente, introducimos bloques espaciales y de canal personalizados de acuerdo con la diferencia de características de diferentes capas. En capas superficiales, la resolución de características es cercana a la de la imagen de entrada original, y la información espacial está bien preservada. Por lo tanto, el bloque de restauración espacial está diseñado para aprovechar esta información espacial precisa para lograr una mejor restauración espacial, por ejemplo, revelando las texturas y suprimiendo el ruido en la oscuridad. En capas profundas, las características contienen una abundante información contextual, que está distribuida en varios canales. Por lo tanto, se incorpora el bloque de interacción de canales para una mejor interacción de características, lo que resulta en una mayor capacidad de representación del modelo. Combinar el modelo similar a U-Net con los bloques espaciales y de canal personalizados conforma nuestro método, que utiliza efectivamente la información dual para la mejora de imágenes. A través de experimentos extensos, demostramos que nuestro método, a pesar de su simplicidad de diseño, puede proporcionar un rendimiento avanzado o competitivo en comparación con algunos métodos basados en aprendizaje profundo de última generación.