عند تحسين الصور ذات الإضاءة المنخفضة، تعتمد العديد من خوارزميات التعلم العميق على نظرية ريتينكس. ومع ذلك، فإن نموذج ريتينكس لا يأخذ في الاعتبار التشوهات المخفية في الظلام أو التي يتم إدخالها بواسطة عملية الإضاءة. بالإضافة إلى ذلك، تتطلب هذه الأساليب عادةً خط أنابيب تدريب متعدد المراحل ومُتَعَقِّد، وتعتمد على الشبكات العصبية التلافيفية، مما يظهر قيودًا في التقاط الارتباطات طويلة المدى. في هذا البحث، نقوم بصياغة إطار عمل بسيط ومعقول ذو مرحلة واحدة مبني على ريتينكس (ORF). يقوم ORF أولاً بتقدير المعلومات الإضاءية لإنارة الصورة ذات الإضاءة المنخفضة ومن ثم يستعيد التشوهات لإنتاج الصورة المعززة. نصمم محولًا موجهًا بالإضاءة (Illumination-Guided Transformer - IGT) يستخدم تمثيلات الإضاءة لتوجيه نمذجة التفاعلات غير المحلية للمناطق ذات ظروف الإضاءة المختلفة. من خلال دمج IGT في ORF، نحصل على خوارزميتنا Retinexformer. تُظهر التجارب الكمية والنوعية الشاملة أن خوارزميتنا Retinexformer تتفوق بشكل كبير على أفضل الأساليب الحالية في ثلاثة عشر معيارًا مختلفًا. كما كشفت دراسة المستخدمين وتطبيق الخوارزمية في اكتشاف الأشياء ذات الإضاءة المنخفضة عن القيم العملية الكامنة لأسالتنا. يمكن الحصول على الرمز والنموذج والنتائج من الرابط التالي: https://github.com/caiyuanhao1998/Retinexformer