Améliorer les images brutes en faible luminosité en conditions réelles constitue une tâche difficile en raison du bruit important et des distorsions chromatiques engendrés par des temps de pose courts et une éclairage limité. Malgré les succès des méthodes existantes basées sur les réseaux de neurones convolutifs (CNN), leurs performances ne sont pas adaptables à différents domaines de caméras. En outre, ces méthodes nécessitent des jeux de données volumineux comprenant des images brutes exposées brièvement et leurs images de référence (ground truth) exposées longuement, pour chaque domaine de caméra, ce qui s'avère fastidieux à constituer. Pour relever ce défi, nous proposons une nouvelle méthode d’adaptation de domaine à faible nombre d’exemples (few-shot domain adaptation) permettant d’utiliser des données étiquetées provenant d’une caméra source avec seulement quelques échantillons étiquetés de la caméra cible afin d’améliorer la qualité d’amélioration dans le domaine cible pour l’imagerie en conditions extrêmement faibles. Nos expérimentations montrent qu’un nombre de dix échantillons ou moins étiquetés provenant du domaine cible est suffisant pour atteindre une performance d’amélioration équivalente ou supérieure à celle obtenue en entraînant un modèle sur un grand jeu de données étiquetées de la caméra cible. Pour soutenir la recherche dans cette direction, nous présentons également un nouveau jeu de données d’images brutes en faible luminosité capturées avec une caméra Nikon, comprenant des images exposées brièvement et leurs images de référence correspondantes exposées longuement.