L'amélioration des images en faible lumière est un défi car elle doit non seulement prendre en compte la récupération de la luminosité, mais aussi des problèmes complexes tels que la distorsion des couleurs et le bruit, qui se cachent généralement dans l'obscurité. Un simple ajustement de la luminosité d'une image en faible lumière amplifie inévitablement ces artefacts. Pour résoudre ce problème difficile, cet article propose une nouvelle méthode guidée par l'attention, basée sur un réseau neuronal convolutif à plusieurs branches (multi-branch convolutional neural network). À cette fin, nous avons d'abord construit un jeu de données synthétique avec des stratégies de simulation en faible lumière soigneusement conçues. Ce jeu de données est beaucoup plus grand et diversifié que ceux existants. Grâce à ce nouveau jeu de données pour l'entraînement, notre méthode apprend deux cartes d'attention pour guider respectivement les tâches d'amélioration de la luminosité et de réduction du bruit. La première carte d'attention distingue les régions sous-exposées des régions bien éclairées, tandis que la deuxième carte d'attention distingue les bruits des textures réelles. Avec leur guidance, le réseau d'amélioration par décomposition et fusion à plusieurs branches fonctionne de manière adaptative à l'entrée. De plus, un réseau renforcé (reinforcement-net) améliore davantage la couleur et le contraste de l'image de sortie. De nombreuses expériences sur plusieurs jeux de données montrent que notre méthode peut produire des résultats d'amélioration à haute fidélité pour les images en faible lumière et surpasser largement les méthodes actuelles les plus avancées, tant qualitativement que visuellement.