لقد حققت الطرق القائمة على التعلم العميق نجاحًا ملحوظًا بفضل قدراتها القوية في النمذجة. ومع ذلك، فإن أوزان هذه النماذج تُتعلم على كامل مجموعة التدريب، مما يؤدي حتمًا إلى إهمال الخصائص الخاصة بالعينات في الخريطة المحسّنة المُتعلّمة. ويؤدي هذا الوضع إلى تحسين غير فعّال في مرحلة الاختبار بالنسبة للعينات التي تختلف بشكل كبير عن التوزيع التدريبي. في هذا البحث، نقدّم ذاكرة خارجية لبناء شبكة مُعزّزة بالذاكرة الخارجية (EMNet) لتحسين الصور ذات الإضاءة المنخفضة. تهدف الذاكرة الخارجية إلى التقاط الخصائص الخاصة بالعينات من مجموعة التدريب لتوجيه عملية التحسين في مرحلة الاختبار. وبفضل الذاكرة المُتعلّمة، يمكن "تذكّر" توزيعات أكثر تعقيدًا للصور المرجعية في كامل المجموعة، مما يُسهّل تعديل العينات في الاختبار بشكل أكثر مرونة. ولتعزيز قدرة النموذج بشكل إضافي، نستخدم نموذج الترانسفورمر كأساس للشبكة، والذي يتميّز بقدرته على التقاط التكرار المكاني الطويل المدى. تُظهر النتائج التجريبية أن الطريقة المقترحة تُظهر أداءً واعدًا وتتفوّق على الطرق الرائدة في المجال. ويُلاحظ أن الذاكرة الخارجية المقترحة تشكّل آلية قابلة للتركيب والتشغيل (plug-and-play) يمكن دمجها مع أي طريقة موجودة لتحسين جودة التحسين بشكل أكبر. وتم تحليل ممارسات إضافية لدمج الذاكرة الخارجية مع طرق تحسين صور أخرى من حيث الجودة النوعية والكمية. وتُعزّز النتائج مجددًا فعالية الآلية الذاكرة المقترحة عند دمجها مع الطرق الحالية لتحسين الصور.