معظم الطرق الحالية لتحسين الصور ذات الإضاءة المنخفضة (LLIE) إما تقوم بخريطة مباشرة من الإضاءة المنخفضة (LL) إلى الإضاءة الطبيعية (NL) أو تستخدم خرائط معنوية أو إضاءة كدلائل. ومع ذلك، فإن الطبيعة غير المحددة جيدًا لـ LLIE وصعوبة استرجاع المعاني من المدخلات المتضررة تحد من هذه الطرق، خاصة في ظروف الإضاءة المنخفضة للغاية. لمعالجة هذه المشكلة، نقدم شبكة جديدة لـ LLIE عبر استرجاع ميزات الكود الضمني القائم على التوليد (GLARE)، حيث يتم اشتقاق أولوية الكود من الصور ذات الإضاءة الطبيعية الغير متدهورة باستخدام استراتيجية التكميم المتجه (VQ). وأكثر أهمية من ذلك، قمنا بتطوير وحدة تدفق التطبيع الضمني القابل للتكرار (I-LNF) لتوفيق توزيع ميزات الإضاءة المنخفضة مع التمثيلات الضمنية للإضاءة الطبيعية، مما يضمن استرجاع الكود الصحيح في الكود북. بالإضافة إلى ذلك، تم تصميم وحدة تحويل الميزات المرنة (AFT)، التي تتضمن دالة قابلة للتعديل للمستخدمين وتتألف من كتلة مزج مرنة (AMB) ومعمارية فك الشفرتين الثنائية، لتعزيز الدقة بشكل أكبر بينما تحتفظ بالتفاصيل الواقعية التي توفرها أولوية الكودبوك. أكدت التجارب الواسعة الأفضلية في أداء GLARE على مجموعة متنوعة من مجموعات البيانات المرجعية والبيانات الحقيقية. كما أن فعاليتها كأداة معالجة قبلية في مهام اكتشاف الأجسام ذات الإضاءة المنخفضة تؤكد صلاحية GLARE للتطبيقات البصرية عالية المستوى. تم إطلاق الرمز المصدر على https://github.com/LowLevelAI/GLARE.