Les conditions d'éclairage difficiles (faible luminosité, sous-exposition et sur-exposition) dans le monde réel non seulement dégradent l'aspect visuel des images, mais altèrent également les tâches de vision par ordinateur. Après que la caméra a capturé les données brutes RGB, elle génère des images standards sRGB à l'aide d'un processeur de signal d'image (ISP). En décomposant le pipeline de l'ISP en composants d'image locaux et globaux, nous proposons un Illumination Adaptive Transformer (IAT) léger et rapide pour restaurer une image sRGB normalement éclairée à partir de conditions de faible luminosité ou de sous/sur-exposition.Plus précisément, l'IAT utilise des requêtes d'attention pour représenter et ajuster les paramètres liés à l'ISP, tels que la correction de couleur et la correction gamma. Avec seulement environ 90 000 paramètres et une vitesse de traitement d'environ 0,004 seconde, notre IAT obtient constamment des performances supérieures aux méthodes de pointe (SOTA) sur les jeux de données actuels d'amélioration de faible luminosité et de correction d'exposition. Des performances expérimentales compétitives montrent également que notre IAT améliore considérablement les tâches de détection d'objets et de segmentation sémantique sous diverses conditions lumineuses.Le code source pour l'entraînement et le modèle pré-entraîné sont disponibles à l'adresse suivante : https://github.com/cuiziteng/Illumination-Adaptive-Transformer.