低光照原始图像去噪是计算成像领域中一项重要且具有价值的任务，当前基于学习的方法主要依赖于成对的真实数据进行训练。然而，真实数据量有限以及噪声分布复杂，构成了成对真实数据的可学习性瓶颈，限制了基于学习方法的去噪性能。为解决这一问题，本文提出一种可学习性增强策略，通过噪声建模对成对真实数据进行重构。该策略包含两项高效技术：曝光噪声增强（Shot Noise Augmentation, SNA）与暗区阴影校正（Dark Shading Correction, DSC）。通过噪声模型解耦，SNA 通过增加数据量提升数据映射的精度，DSC 则通过降低噪声复杂度来简化数据映射过程。在公开数据集及真实成像场景下的大量实验结果表明，所提方法在去噪性能上达到了当前最优水平。代码已开源，地址为：https://github.com/megvii-research/PMN。