استعادة التفاصيل المغطاة بالضوضاء من الصور ذات الإضاءة المنخفضة يُعدّ تحديًا كبيرًا، كما أن النتائج التي تُقدّمها الطرق السابقة لا تزال مُتاحة للتحسين. تُظهر النماذج التبادلية الحديثة إمكانية إنشاء صور واقعية وغنية بالتفاصيل من خلال سلسلة من التحسينات التكرارية لاستبعاد الضوضاء، مما يُحفّزنا على استخدام هذه النماذج في تحسين الصور ذات الإضاءة المنخفضة بهدف استعادة تفاصيل واقعية. ومع ذلك، اكتشفنا مشكلتين عند تطبيق هذه النماذج: أولًا، تُحافظ النماذج التبادلية على دقة ثابتة خلال عملية التراجع (reverse process)، مما يحد من سرعة الأداء؛ ثانيًا، قد تؤدي هذه النماذج إلى تدهور عام في الصورة (مثل الانزياح اللوني RGB). ولحل هذه المشكلات، تُقدّم هذه الورقة نموذجًا تبادليًا هرميًا (PyDiff) لتحسين الصور ذات الإضاءة المنخفضة. يعتمد PyDiff على طريقة تبادلية هرمية مبتكرة تقوم بعملية أخذ العينات بأسلوب هرمي (أي زيادة تدريجية في الدقة خلال عملية التراجع الواحدة). تجعل هذه الطريقة من PyDiff أسرع بكثير من النماذج التبادلية التقليدية، دون التسبب في أي تدهور في الأداء. علاوةً على ذلك، يستخدم PyDiff "مُصحّحًا عالميًا" لتقليل التدهور العالمي الذي قد يحدث أثناء عملية التراجع، مما يُحسّن الأداء بشكل كبير، ويُبسّط عملية تدريب النماذج التبادلية مع استهلاك ضئيل جدًا للحسابات الإضافية. أظهرت التجارب الواسعة على معايير شهيرة أداءً متميزًا من حيث الكفاءة والفعالية. كما أن PyDiff يُظهر قدرة عالية على التعميم على توزيعات ضوضاء وإضاءة غير مرئية سابقًا.