Wir präsentieren einen neuen Ansatz zur Anpassung globaler Bildmerkmale wie Farbe, Sättigung und Helligkeit unter Verwendung von menschenlesbaren Bildverbesserungskurven, inspiriert durch das Kurventool von Photoshop. Unsere Methode, die als neuronale CURve Layer (CURL) bezeichnet wird, ist als ein mehrfarbräumiger neuronaler Nachbearbeitungsblock konzipiert, der in drei verschiedenen Farbraumen (HSV, CIELab, RGB) unter der Anleitung eines neuartigen mehrfarbräumigen Verlusts gemeinsam trainiert wird. Die Kurven sind vollständig differenzierbar und werden für verschiedene Computer Vision-Probleme end-to-end trainiert, einschließlich der Fotoverbesserung (RGB-to-RGB) und als Teil des Bildsignalverarbeitungspipelines für die Bildbildung (RAW-to-RGB). Um die Effektivität von CURL zu demonstrieren, kombinieren wir diesen globalen Bildtransformationsblock mit einem pixelbasierten (lokalen) mehrskaligen Encoder-Decoder-Netzwerk. In einer umfassenden experimentellen Bewertung zeigen wir, dass CURL sowohl in objektiven als auch in perceptuellen Metriken eine Spitzenleistung bei der Bildqualität erzielt und damit den neuesten tiefen Lernansätzen überlegen ist. CURL setzt neue Standards auf mehreren öffentlichen Datensätzen. Unser Code ist öffentlich verfügbar unter: https://github.com/sjmoran/CURL.