في مهمة تحسين الصور تحت الإضاءة المنخفضة، أظهرت الخوارزميات القائمة على التعلم العميق تفوقًا وفعالية ملحوظة مقارنة بالطرق التقليدية. ومع ذلك، فإن هذه الطرق، التي تعتمد بشكل رئيسي على نظرية ريتينكس، تميل إلى تجاهل الضوضاء والتشويهات اللونية في الصور المدخلة، مما يؤدي إلى تضخيم كبير للضوضاء وتشويهات لونية محلية في النتائج المحسّنة. لمعالجة هذه المشكلات، نقترح طريقة التصحيح ثنائي المسار للخطأ (DPEC)، المصممة لتحسين جودة الصورة في ظروف الإضاءة المنخفضة من خلال الحفاظ على التفاصيل النسيجية المحلية أثناء استعادة سطوع الصورة العالمي دون تضخيم للضوضاء. تعتمد DPEC على تقدير دقيق للخطأ على مستوى البكسل لالتقاط الفروق الدقيقة، وآليّة منفصلة لتصفية الضوضاء لمنع تضخيمها. كما نقدّم دالة الخسارة HIS-Retinex لتوجيه تدريب DPEC، مما يضمن أن توزيع السطوع في الصور المحسّنة يكون متماشيًا قدر الإمكان مع الظروف الواقعية. ولضمان توازن بين سرعة الحساب وكفاءة الموارد أثناء تدريب DPEC لفهم شامل للسياق العالمي، تم دمج معمارية VMamba في هيكلها الأساسي. تُظهر النتائج التجريبية الكمية والكيفية الشاملة أن خوارزميتنا تتفوق بشكل ملحوظ على أحدث الطرق في مجال تحسين الصور تحت الإضاءة المنخفضة. يُتاح الكود بشكل عام على الإنترنت عبر الرابط: https://github.com/wangshuang233/DPEC.