Lors de l'amélioration des images à faible éclairage, de nombreux algorithmes d'apprentissage profond sont basés sur la théorie Retinex. Cependant, le modèle Retinex ne prend pas en compte les corruptions cachées dans l'obscurité ou introduites par le processus d'éclairage. De plus, ces méthodes nécessitent généralement une pipeline d'entraînement fastidieuse et multistade et s'appuient sur des réseaux neuronaux convolutifs, ce qui montre des limites dans la capture des dépendances à longue portée. Dans cet article, nous formulons un cadre simple mais rigoureux en une seule étape basé sur Retinex (One-stage Retinex-based Framework, ORF). L'ORF estime d'abord les informations d'éclairage pour illuminer l'image à faible éclairage, puis restaure les corruptions pour produire l'image améliorée. Nous concevons un Transformers guidé par l'éclairage (Illumination-Guided Transformer, IGT) qui utilise des représentations d'éclairage pour diriger la modélisation des interactions non locales entre des régions présentant différentes conditions d'éclairage. En intégrant l'IGT dans l'ORF, nous obtenons notre algorithme, le Retinexformer. Des expériences quantitatives et qualitatives exhaustives démontrent que notre Retinexformer surpasse significativement les méthodes de pointe sur treize benchmarks. Les études utilisateurs et les applications à la détection d'objets à faible éclairage révèlent également les valeurs pratiques latentes de notre méthode. Le code source, les modèles et les résultats sont disponibles à l'adresse suivante : https://github.com/caiyuanhao1998/Retinexformer