En los últimos años, la tecnología de reidentificación de peatones ha avanzado significativamente, con diversos modelos de redes neuronales funcionando bien bajo condiciones normales, como buen clima e iluminación adecuada. Sin embargo, la mayoría de las investigaciones han pasado por alto entornos extremos, como el clima lluvioso y la noche. Además, los conjuntos de datos existentes de reidentificación de peatones consisten predominantemente en imágenes bien iluminadas. Aunque algunos estudios han comenzado a abordar estos problemas proponiendo métodos para mejorar las imágenes con poca luz y restaurar sus características originales, la efectividad de estos enfoques sigue siendo limitada. Hemos observado que un método basado en la teoría de Retinex diseñó un módulo de aprendizaje de representación de reflectancia con el objetivo de restaurar las características de la imagen tanto como sea posible. Sin embargo, este método hasta ahora solo se ha aplicado en redes de detección de objetos. En respuesta a esto, mejoramos el método y lo aplicamos a la reidentificación de peatones, proponiendo un decodificador de reflectancia de convolución transpuesta (TransConvRefDecoder) para restaurar mejor los detalles en imágenes con poca luz. Experimentos extensos en los conjuntos de datos Market1501, CUHK03 y MSMT17 demostraron que nuestro enfoque ofreció un rendimiento superior.