Diese Arbeit präsentiert eine neue Lösung zur Verbesserung von Bildern bei niedrigem Licht, indem Signal-to-Noise-Ratio-(SNR)-bewusste Transformatoren gemeinsam mit konvolutionellen Modellen genutzt werden, um Pixel dynamisch mit räumlich variierenden Operationen zu verstärken. Dabei werden langreichweitige Operationen für Bildregionen mit extrem niedrigem SNR und kurzreichweitige Operationen für alle anderen Regionen eingesetzt. Wir schlagen vor, ein SNR-Prior zu verwenden, um die Merkmalsfusion zu leiten, und formulieren den SNR-bewussten Transformer mit einem neuen Selbst-Attention-Modell, um sicherzustellen, dass Token aus sehr geräuschbehafteten Bildregionen mit extrem niedrigem SNR nicht berücksichtigt werden. Umfangreiche Experimente zeigen, dass unser Framework auf sieben repräsentativen Benchmarks konsistent bessere Ergebnisse erzielt als aktuelle State-of-the-Art-Verfahren bei gleichbleibender Architektur. Zudem führten wir eine groß angelegte Benutzerstudie mit 100 Teilnehmern durch, um die überlegene wahrnehmungsmäßige Qualität unserer Ergebnisse zu bestätigen.