تحسين الصور الخام في الإضاءة المنخفضة العملية يُعد مهمة صعبة نظرًا لحدوث ضوضاء شديدة وتشوهات في الألوان الناتجة عن زمن التعرض القصير وانخفاض شدة الإضاءة. وعلى الرغم من النجاح الذي حققته الطرق القائمة على الشبكات العصبية التلافيفية (CNN) الحالية، إلا أن أداؤها لا يتكيف بسهولة مع مجالات كاميرات مختلفة. علاوةً على ذلك، تتطلب هذه الطرق مجموعات بيانات كبيرة تحتوي على صور خام مُلتقطة بزمن تعرض قصير، وصور مرجعية طويلة التعرض المقابلة لها لكل مجال كاميرا، وهو ما يُعد مجهودًا مُتعبًا في تجميعه. ولحل هذه المشكلة، نقدّم طريقة جديدة لنقل المجال القائم على عدد قليل من الأمثلة (few-shot domain adaptation) تُستخدم فيها بيانات مُصنّفة من الكاميرات المصدرية مع عدد قليل جدًا من العينات المُصنّفة من الكاميرا الهدف، بهدف تحسين جودة التحسين في مجال الهدف ضمن حالات الإضاءة الشديدة المنخفضة. تُظهر تجاربنا أن عشرة عينات أو أقل مُصنّفة من مجال الكاميرا الهدف تكون كافية لتحقيق أداء في التحسين يُعادل أو يفوق أداء نموذج مدرّب على مجموعة بيانات كبيرة من الصور المُصنّفة من الكاميرا الهدف. ولدعم الأبحاث في هذا الاتجاه، نقدّم أيضًا مجموعة بيانات جديدة للصور الخام في الإضاءة المنخفضة، تم التقاطها باستخدام كاميرا نيكون، وتتضمن صورًا بزمن تعرض قصير وصورًا مرجعية طويلة التعرض المقابلة لها.