La mejora de imágenes con poca luz ha ido convirtiéndose gradualmente en un tema de investigación candente en los últimos años debido a su amplio uso como un paso de preprocesamiento importante en tareas de visión por computadora. Aunque numerosos métodos han logrado resultados prometedores, algunos de ellos aún generan resultados con pérdida de detalles y distorsión local. En este documento, proponemos una red generativa adversaria mejorada basada en información contextual. Específicamente, se adoptan bloques residuales densos en el generador para promover la interacción de características jerárquicas a través de múltiples capas y mejorar las características en múltiples profundidades en la red. Luego, se introduce un módulo de atención que integra información contextual a múltiples escalas para refinar y resaltar características discriminativas. Se utiliza una función de pérdida híbrida que contiene componentes perceptuales y de color en la fase de entrenamiento para garantizar la calidad visual general. Los resultados experimentales cualitativos y cuantitativos en varios conjuntos de datos de referencia demuestran que nuestro modelo logra resultados relativamente buenos y tiene una buena capacidad de generalización en comparación con otros algoritmos de mejora de imágenes con poca luz de última generación.