El seguimiento visual de objetos basado en UAV se ha convertido recientemente en un enfoque de investigación destacado en visión por computadora. Sin embargo, la mayoría de los rastreadores existentes se evalúan principalmente en condiciones bien iluminadas, pasando por alto en gran medida los desafíos que pueden surgir en escenarios nocturnos. Aunque existen intentos de restaurar el brillo de la imagen a través de la mejora de imágenes en condiciones de poca luz antes de alimentar los fotogramas a un rastreador, tales flujos de trabajo en dos etapas a menudo luchan por encontrar un equilibrio efectivo entre los objetivos en competencia de mejora y seguimiento. Para abordar esta limitación, este trabajo propone NightTrack, un marco unificado que optimiza tanto la mejora de imágenes en condiciones de poca luz como el seguimiento de objetos con UAV. Al aumentar la visibilidad de la imagen, NightTrack no solo preserva explícitamente, sino que también refuerza las características discriminativas necesarias para un seguimiento robusto. Para mejorar la discriminabilidad de las representaciones en condiciones de poca luz, se introducen Módulos de Atención Piramidal (PAM) para mejorar las pistas contextuales a múltiples escalas. Además, al estimar conjuntamente las curvas de iluminación y ruido, NightTrack mitiga los posibles efectos adversos de los entornos de poca luz, lo que conduce a ganancias significativas en precisión y robustez. Los resultados experimentales en múltiples bancos de pruebas de seguimiento nocturno demuestran que NightTrack supera a los métodos de última generación en escenas nocturnas, mostrando fuertes promesas para un desarrollo futuro.