Digitale Künstler verbessern die ästhetische Qualität digitaler Fotografien häufig durch manuelle Nachbearbeitung. Neben globalen Anpassungen bieten professionelle Bildbearbeitungsprogramme lokale Anpassungswerkzeuge, die auf spezifische Bereiche eines Bildes wirken. Dazu zählen parametrische Werkzeuge (wie graduierter Filter, radialer Filter) sowie unbegrenzte Pinselwerkzeuge. Diese äußerst ausdrucksstarken Werkzeuge ermöglichen eine Vielzahl lokaler Bildverbesserungen. Ihre Anwendung kann jedoch zeitaufwendig sein und erfordert künstlerisches Geschick. Zustandsbestimmende Ansätze zur automatisierten Bildverbesserung konzentrieren sich typischerweise auf die Lernung von pixelbasierten oder globalen Verbesserungen. Erstere können rauschbehaftet sein und mangeln an Interpretierbarkeit, während letztere feinkörnige Anpassungen oft verfehlen. In diesem Artikel stellen wir einen neuartigen Ansatz zur automatisierten Bildverbesserung vor, der gelernte räumlich lokale Filter verschiedener Typen (elliptischer Filter, graduierter Filter, polynomialer Filter) nutzt. Wir führen ein tiefes neuronales Netzwerk ein, das Deep Local Parametric Filters (DeepLPF) genannt wird, das die Parameter dieser räumlich lokalisierten Filter regressiert und diese anschließend automatisch zur Bildverbesserung anwendet. DeepLPF bietet eine natürliche Form der Modellregularisierung und ermöglicht interpretierbare, intuitive Anpassungen, die zu visuell ansprechenden Ergebnissen führen. Wir berichten über mehrere Benchmarks und zeigen, dass DeepLPF auf zwei Varianten der MIT-Adobe-5K-Datenbank eine state-of-the-art-Leistung erzielt, oft mit einem Bruchteil der Parameter, die für konkurrierende Methoden erforderlich sind.