Die Verbesserung von Bildern bei niedrigem Licht (Low-light image enhancement, LLIE) stellt ein schlecht gestelltes inverses Problem dar, da das gewünschte Bild unter idealen Beleuchtungsbedingungen nicht bekannt ist. Unter schlechten Lichtverhältnissen treten zwei Hauptprobleme auf: eine abgeflachte Bildhistogrammverteilung sowie inkonsistente relative Farbverteilungen bei geringem Signal-zu-Rausch-Verhältnis. Um diese Herausforderungen zu bewältigen, schlagen wir einen neuartigen Ansatz namens FLIGHT-Net vor, der aus einer Folge von neuronalen Architekturbloßen besteht. Der erste Block reguliert die Beleuchtungsbedingungen durch eine pixelweise, szenenabhängige Anpassung der Beleuchtung. Das Ausgabebild wird im zweiten Block generiert, der neben einem Kanal-Attention-Subblock auch einen Rauschunterdrückungs-Subblock enthält. Unsere hoch-effiziente neuronale Netzarchitektur erreicht mit lediglich 25.000 Parametern Spitzenleistung im Vergleich zu bestehenden Methoden. Der Quellcode des Verfahrens, vortrainierte Modelle sowie die resultierenden Bilder werden öffentlich zugänglich gemacht.