La recherche d'images dans des conditions d'éclairage variables, telles que les images de jour et de nuit, est abordée par un prétraitement des images, à la fois conçu manuellement et appris. Avant l'extraction des descripteurs d'image par un réseau neuronal convolutif, les images sont normalisées photométriquement afin de réduire la sensibilité des descripteurs aux variations d'éclairage. Nous proposons une normalisation apprenable basée sur l'architecture U-Net, qui est entraînée sur une combinaison d'images mono-capteur multi-expositions et une nouvelle collection de vues similaires de monuments pendant le jour et la nuit. Nous démontrons expérimentalement que tant la normalisation conçue manuellement basée sur l'égalisation locale des histogrammes que la normalisation apprenable surpassent les approches standards dans des conditions d'éclairage variables, tout en restant au niveau des méthodes les plus avancées sur les bancs d'essai d'éclairage diurne, tels que les jeux de données Oxford ou Paris.