Bekannte Methoden zur Bildverbesserung sind typischerweise darauf ausgelegt, entweder das Problem der Überbelichtung oder der Unterbelichtung im Eingabebild zu beheben. Wenn die Beleuchtung des Eingabebildes sowohl Über- als auch Unterbelichtungsprobleme aufweist, funktionieren diese bestehenden Ansätze möglicherweise nicht optimal. Aus der Analyse der Bilddaten stellen wir fest, dass die lokalen Farbverteilungen (Local Color Distributions, LCDs) eines Bildes, das beide Probleme aufweist, sich in verschiedenen Regionen des Bildes unterscheiden, abhängig von der lokalen Beleuchtung. Aufgrund dieser Beobachtung schlagen wir in diesem Artikel vor, diese LCDs als Prior-Wissen zu nutzen, um die beiden Arten von Regionen (d. h. über- und unterbelichtete Bereiche) zu lokalisieren und zu verbessern. Zunächst nutzen wir die LCDs, um diese Bereiche zu repräsentieren, und stellen einen neuartigen lokal farbverteilungseingebetteten (Local Color Distribution Embedded, LCDE) Modul vor, der LCDs in mehreren Skalen formuliert, um die Korrelationen zwischen verschiedenen Bildregionen zu modellieren. Zweitens schlagen wir ein dualer Beleuchtungslernmechanismus vor, um die beiden Arten von Regionen zu verbessern. Drittens erstellen wir eine neue Datensammlung, um den Lernprozess zu erleichtern, indem wir die Kamera-Bildsignalverarbeitung (Image Signal Processing, ISP)-Pipeline befolgen, um standardisierte RGB-Bilder mit sowohl Unter- als auch Überbelichtung aus Rohdaten zu generieren. Umfangreiche Experimente zeigen, dass die vorgeschlagene Methode sowohl quantitativ als auch qualitativ gegenüber bestehenden State-of-the-Art-Methoden übertrifft. Der Quellcode und die Datensammlung sind unter https://hywang99.github.io/lcdpnet/ verfügbar.