La tâche d'amélioration des images à faible éclairage (Low-Light Image Enhancement, LLIE) vise à restaurer les détails et les informations visuelles à partir d'images corrompues prises dans des conditions de faible éclairage. La plupart des méthodes existantes apprennent la fonction de mappage entre les images à faible/éclairage normal en utilisant des Réseaux Neuronaux Profonds (Deep Neural Networks, DNNs) sur les espaces de couleur sRGB et HSV. Cependant, l'amélioration implique l'amplification des signaux d'image, et l'application de ces espaces de couleur aux images à faible éclairage avec un faible rapport signal-bruit peut introduire une sensibilité et une instabilité dans le processus d'amélioration. Par conséquent, cela entraîne la présence d'artefacts de couleur et d'artefacts de luminosité dans les images améliorées. Pour atténuer ce problème, nous proposons un nouvel espace de couleur entraînable, nommé Horizontal/Vertical-Intensité (HVI). Il non seulement dissocie la luminosité et la couleur des canaux RGB pour réduire l'instabilité lors de l'amélioration, mais s'adapte également aux images à faible éclairage dans différentes gammes d'éclairage grâce aux paramètres entraînables. De plus, nous avons conçu un nouveau réseau de dissociation de la couleur et de la luminosité (Color and Intensity Decoupling Network, CIDNet) avec deux branches dédiées au traitement de la luminosité et de la couleur dissociées dans l'espace HVI. Dans le CIDNet, nous introduisons le module d'attention croisée légère (Lightweight Cross-Attention, LCA) pour faciliter l'interaction entre les informations structurelles et contenues des images dans les deux branches tout en supprimant le bruit dans les images à faible éclairage. Enfin, nous avons mené 22 expériences quantitatives et qualitatives pour montrer que le CIDNet proposé surpasse les méthodes actuelles sur 11 jeux de données. Le code est disponible sur https://github.com/Fediory/HVI-CIDNet.