Das Papier stellt eine neuartige Methode vor, die Zero-Reference Deep Curve Estimation (Zero-DCE), welche die Lichtverstärkung als eine Aufgabe der bildspezifischen Kurvenschätzung mit einem tiefen Netzwerk formuliert. Unsere Methode trainiert ein leichtgewichtiges tiefes Netzwerk, das DCE-Net, um pixelweise und hochgradige Kurven für die dynamische Reichweitenanpassung eines gegebenen Bildes zu schätzen. Die Kurvenschätzung ist besonders konzipiert, indem sie den Pixelwertebereich, Monotonie und Differenzierbarkeit berücksichtigt. Zero-DCE ist durch seine entspannte Annahme bezüglich Referenzbilder attraktiv, d.h., es erfordert während des Trainings keine gepaarten oder ungepaarten Daten. Dies wird durch eine Reihe sorgfältig formulierter nicht-referenzbasierter Verlustfunktionen erreicht, die die Verbesserungsqualität implizit messen und das Lernen des Netzwerks steuern. Unser Verfahren ist effizient, da die Bildverbesserung durch eine intuitive und einfache nichtlineare Kurvenabbildung erreicht werden kann. Trotz seiner Einfachheit zeigen wir, dass es sich gut auf verschiedene Beleuchtungsbedingungen überträgt. Ausführliche Experimente auf verschiedenen Benchmarks demonstrieren sowohl qualitativ als auch quantitativ die Vorteile unserer Methode gegenüber den aktuellen Stand der Technik. Darüber hinaus wird auf das Potenzial von Zero-DCE zur Gesichtserkennung im Dunkeln eingegangen. Der Code und das Modell werden unter https://github.com/Li-Chongyi/Zero-DCE verfügbar sein.