Die Verbesserung von Dunkelbildern zu normal belichteten Bildern ist hochgradig schlecht gestellt, da die Abbildungsbeziehung zwischen ihnen eine vielen-zu-einem-Beziehung darstellt. Bisherige Ansätze, die auf pixelweisen Rekonstruktionsverlusten und deterministischen Prozessen basieren, sind nicht in der Lage, die komplexe bedingte Verteilung normal belichteter Bilder adäquat zu erfassen, was zu unangemessener Helligkeit, verbleibendem Rauschen und Artefakten führt. In diesem Paper untersuchen wir die Modellierung dieser vielen-zu-einem-Beziehung mittels eines vorgeschlagenen Normalisierungsfluss-Modells. Dabei handelt es sich um ein invertierbares Netzwerk, das Dunkelbilder bzw. deren Merkmale als Bedingung nutzt und lernt, die Verteilung normal belichteter Bilder in eine Gaußsche Verteilung zu transformieren. Auf diese Weise kann die bedingte Verteilung normal belichteter Bilder gut modelliert werden, und der Verbesserungsprozess – also die entgegengesetzte Inferenzrichtung des invertierbaren Netzwerks – entspricht einer Einschränkung durch eine Verlustfunktion, die die Mannigfaltigkeitsstruktur natürlicher Bilder während des Trainings präziser beschreibt. Die experimentellen Ergebnisse auf etablierten Benchmark-Datensätzen zeigen, dass unsere Methode sowohl quantitativ als auch qualitativ bessere Ergebnisse erzielt, wobei eine verbesserte Belichtung, weniger Rauschen und Artefakte sowie reichere Farben erreicht werden.