低光画像の強化は、明るさの回復だけでなく、色の歪みやノイズなどの複雑な問題も考慮する必要があるため、非常に困難です。これらの問題は通常、暗い部分に隠れています。単純に低光画像の明るさを調整すると、必ずしもそれらのアーティファクトが増幅されてしまいます。この難問に対処するために、本論文ではマルチブランチ畳み込みニューラルネットワークに基づく新しいエンドツーエンドの注意制御手法を提案します。まず、慎重に設計された低光シミュレーション戦略を使用して合成データセットを構築しました。このデータセットは既存のものよりも遥かに大きく、多様性があります。新規データセットを用いて学習することで、当手法は明るさ強化とノイズ除去タスクそれぞれをガイドする2つの注意マップを学習します。最初の注意マップは露出不足領域と適切に照明された領域を区別し、2番目の注意マップはノイズと実際のテクスチャを区別します。これらの注意マップのガイダンスにより、提案されるマルチブランチ分解・融合強化ネットワークは入力に適応した形で動作します。さらに、強化学習ネットワーク（reinforcement-net）が出力画像の色とコントラストを更に強化します。複数のデータセットにおける広範な実験結果から、当手法が低光画像に対して高忠実度の強化結果を生成できること、および定量的にも視覚的にも現行の最先端手法よりも大幅に優れていることが示されました。