Las imágenes de fondo de ojo ahora se utilizan ampliamente en sistemas de análisis asistido por computadora para enfermedades oftálmicas. Sin embargo, la imagen de fondo de ojo puede verse afectada por factores humanos, ambientales y de equipamiento, lo que puede resultar en imágenes de baja calidad. Tales imágenes de fondo de ojo de baja calidad interferirán con el diagnóstico asistido por computadora. Los métodos existentes para mejorar imágenes de fondo de ojo de baja calidad se centran más en la visualización general de la imagen que en capturar de manera suficiente características patológicas y estructurales en las escalas más finas de la imagen de fondo de ojo. En este documento, diseñamos un método no supervisado que integra un transformador de fusión de características a múltiples escalas y una función de pérdida no referenciada. Debido a la pérdida de características a microescala causada por el entrenamiento no emparejado, construimos el Módulo de Extracción de Características Globales (GFEM), una combinación de bloques de convolución y módulos residuales de Swin Transformer, para lograr la extracción de información de características en diferentes niveles mientras se reducen los costos computacionales. Para mejorar el desenfoque de los detalles de la imagen causado por redes no supervisadas profundas, definimos funciones de pérdida no referenciadas que mejoran la capacidad del modelo para suprimir la degradación de la nitidez de los bordes. Además, la distribución desigual de la luz también puede afectar la calidad de la imagen, por lo que utilizamos un mecanismo de atención basado en luminancia a priori para mejorar la desigualdad de la iluminación de imágenes de baja calidad. En el conjunto de datos público, logramos una mejora de 0,88 dB en PSNR y 0,024 en SSIM en comparación con los métodos más avanzados. Los resultados experimentales muestran que nuestro método supera a otros métodos de aprendizaje profundo en cuanto a continuidad vascular y preservación de finas características patológicas. Un marco como este podría tener aplicaciones médicas potenciales.