En los reinos de la seguridad de Internet de las Cosas (IoT) y la inteligencia artificial (IA), asegurar la integridad y calidad de los datos visuales se vuelve primordial, especialmente en condiciones de poca luz, donde la mejora de imágenes de baja luz surge como una tecnología crucial. Sin embargo, los métodos actuales para mejorar imágenes en condiciones de poca luz aún enfrentan algunos problemas desafiantes, incluida la incapacidad para manejar de manera efectiva la distribución desigual de la iluminación, un rendimiento de reducción de ruido subóptimo y una correlación insuficiente entre una red de ramas. Para abordar estos problemas, se propone la Red de Ramas a Múltiples Escalas. Utiliza la extracción de características a múltiples escalas para manejar la distribución desigual de la iluminación, introduce funciones de reducción de ruido para mitigar problemas de ruido derivados de la mejora de imágenes y establece correlaciones entre las ramas de la red para mejorar el intercambio de información. Además, nuestro enfoque incorpora un transformador de visión para mejorar la extracción de características y la comprensión del contexto. El proceso comienza capturando datos RGB crudos, que luego se optimizan a través de sofisticadas técnicas de procesador de señal de imagen (ISP), lo que resulta en una salida visual refinada. Este método mejora significativamente el brillo de la imagen y reduce el ruido, logrando mejoras notables en la mejora de imágenes de baja luz en comparación con métodos similares. Utilizando el conjunto de datos LOL-V2-real, logramos mejoras de 0.255 en PSNR y 0.23 en SSIM, con disminuciones de 0.003 en MAE y 0.009 en LPIPS, en comparación con los métodos más avanzados. Experimentos rigurosos confirmaron la confiabilidad de este enfoque para mejorar la calidad de la imagen en condiciones de poca luz.