Améliorer les images en faible éclairage pour les rendre similaires à des images normalement exposées est un problème fortement mal posé, car la relation de correspondance entre celles-ci est de type un-à-plusieurs. Les méthodes précédentes fondées sur des pertes de reconstruction par pixel et des processus déterministes échouent à capturer la distribution conditionnelle complexe des images normalement exposées, ce qui entraîne une luminosité inappropriée, des bruits résiduels et des artefacts. Dans ce travail, nous proposons de modéliser cette relation un-à-plusieurs à l’aide d’un modèle basé sur un flot normalisant. Un réseau inversible conditionné par les images ou les caractéristiques en faible éclairage apprend à transformer la distribution des images normalement exposées en une distribution gaussienne. Ainsi, la distribution conditionnelle des images normalement exposées peut être efficacement modélisée, et le processus d’amélioration — c’est-à-dire l’autre direction d’inférence du réseau inversible — est équivalent à une contrainte par une fonction de perte qui décrit mieux la structure de variété des images naturelles pendant l’entraînement. Les résultats expérimentaux sur les jeux de données de référence existants montrent que notre méthode obtient des résultats quantitatifs et qualitatifs supérieurs, avec une exposition améliorée, moins de bruit et d’artefacts, ainsi qu’une richesse de couleurs accrue.