Bei der Aufgabe der Verbesserung von Bildern unter niedrigem Licht haben tiefes Lernen basierende Algorithmen im Vergleich zu herkömmlichen Methoden eine überlegene Leistung und Effektivität gezeigt. Diese Ansätze, die hauptsächlich auf der Retinex-Theorie basieren, neigen jedoch dazu, Rauschen und Farbverzerrungen in den Eingabebildern zu übersehen, was zu einer erheblichen Rauschverstärkung und lokalen Farbverzerrungen in den verbesserten Ergebnissen führt. Um diese Probleme anzugehen, schlagen wir die Dual-Path Error Compensation (DPEC)-Methode vor, die darauf abzielt, die Bildqualität unter niedrigen Lichtbedingungen zu verbessern, indem sie lokale Texturdetails bewahrt und gleichzeitig die globale Helligkeit des Bildes wiederherstellt, ohne das Rauschen zu verstärken. DPEC integriert eine präzise pixelgenaue Fehlerschätzung, um feine Unterschiede zu erfassen, sowie eine unabhängige Rauschunterdrückungsmechanik, um eine Rauschverstärkung zu verhindern. Wir führen die HIS-Retinex-Verlustfunktion ein, um den Trainingsprozess von DPEC zu leiten und sicherzustellen, dass die Helligkeitsverteilung der verbesserten Bilder eng mit realen Bedingungen übereinstimmt. Um ein ausgewogenes Verhältnis zwischen Berechnungsgeschwindigkeit und Ressourceneffizienz zu gewährleisten, während DPEC eine umfassende Wahrnehmung des globalen Kontexts erlernt, integrieren wir die VMamba-Architektur in seinen Kern. Umfassende quantitative und qualitative Experimente belegen, dass unser Algorithmus state-of-the-art-Methoden in der Verbesserung von Bildern bei niedrigem Licht deutlich übertrifft. Der Quellcode ist öffentlich unter https://github.com/wangshuang233/DPEC verfügbar.