Las imágenes capturadas a menudo sufren problemas como distorsión de color, pérdida de detalles y ruido significativo. Por lo tanto, es necesario mejorar la calidad de la imagen para una detección confiable de amenazas. El equilibrio entre la mejora de brillo y la preservación de colores y detalles naturales es particularmente desafiante en la mejora de imágenes con poca luz. Para abordar estos problemas, este documento propone un enfoque de mejora de imagen de baja luz no supervisado utilizando una red neuronal U-net con la teoría de Retinex y un Módulo de Atención de Bloque Convolucional (CBAM). Este método aprovecha la descomposición basada en Retinex para separar y mejorar el mapa de reflectancia, asegurando visibilidad y contraste sin introducir artefactos. Una función de mejora adaptativa local mejora el brillo del mapa de reflexión, mientras que la función de pérdida diseñada aborda la suavidad de la iluminación, la mejora del brillo, la restauración del color y el desenfoque. Los experimentos validan la efectividad de nuestro método, revelando un brillo de imagen mejorado, una desviación de color reducida y una restauración de color superior en comparación con los enfoques líderes.