Bildretrieval unter variablen Beleuchtungsbedingungen, wie zum Beispiel Tages- und Nachtbilder, wird durch Bildvorverarbeitung, sowohl handgefertigte als auch gelernte Methoden, angegangen. Vor der Extraktion von BildDeskriptoren durch ein Faltungsneuronales Netz (Convolutional Neural Network) werden die Bilder photometrisch normalisiert, um die Empfindlichkeit der Deskriptoren gegenüber Beleuchtungsänderungen zu reduzieren. Wir schlagen eine lernfähige Normalisierung auf Basis der U-Net-Architektur vor, die anhand einer Kombination aus Einzelkamera-Mehrbelichtungsbildern und einer neu erstellten Sammlung ähnlicher Ansichten von Sehenswürdigkeiten bei Tag und Nacht trainiert wird. Experimentelle Ergebnisse zeigen, dass sowohl die handgefertigte Normalisierung basierend auf lokaler Histogrammgleichverteilung als auch die lernfähige Normalisierung Standardansätze unter variablen Beleuchtungsbedingungen übertrumpfen, während sie gleichzeitig den neuesten Methoden bei Tageslichtbeleuchtungsbenchmarks wie den Oxford- oder Paris-Datensätzen ebenbürtig sind.