Las imágenes tomadas en situaciones de poca luz suelen tener una reducción significativa en la calidad. Cuidar de estos problemas de degradación en imágenes de poca luz es esencial para mejorar su calidad visual y potenciar el rendimiento en tareas visuales de alto nivel. Sin embargo, debido a la pérdida de información inherente en las imágenes oscuras, los enfoques convencionales basados en Retinex para mejorar imágenes de poca luz a menudo no logran realizar una verdadera eliminación de ruido. Esta investigación presenta DEGANet, un marco revolucionario de aprendizaje profundo creado especialmente para mejorar y eliminar ruido en imágenes de poca luz. Para superar estas restricciones, DEGANet hace uso de la potencia de una Red Generativa Adversaria (GAN). El Decom-Net, Enhance-Net y una Red Generativa Adversaria (GAN) son tres subredes vinculadas que conforman nuestra novedosa arquitectura DEGANet basada en Retinex. El Decom-Net se encarga de separar los componentes de reflectancia e iluminación de la imagen de poca luz de entrada. Esta descomposición permite que Enhance-Net mejore de manera efectiva el componente de iluminación, mejorando así la calidad general de la imagen. Debido a los patrones de ruido complicados, las intensidades fluctuantes y la pérdida de información intrínseca en las imágenes de poca luz, eliminar el ruido de ellas presenta un desafío significativo. Al incorporar una GAN en nuestra arquitectura, DEGANet es capaz de eliminar el ruido y suavizar de manera efectiva la imagen mejorada, así como recuperar los datos originales y rellenar los vacíos, produciendo una salida estéticamente hermosa manteniendo las características clave. A través de un completo conjunto de estudios, demostramos que DEGANet supera a los métodos actuales más avanzados tanto en términos de mejora de imagen como de calidad de eliminación de ruido.