Das Nachbearbeiten von Bildern ist ein wesentlicher Aspekt zur Verbesserung des visuellen Reizes von Fotos. Obwohl die Nutzer oft gemeinsame ästhetische Vorlieben teilen, können ihre Nachbearbeitungsmethoden aufgrund individueller Präferenzen variieren. Daher besteht ein Bedarf an White-Box-Ansätzen, die zufriedenstellende Ergebnisse erzielen und gleichzeitig eine benutzerfreundliche Bearbeitung der Bilder ermöglichen. Aktuelle White-Box-Nachbearbeitungsverfahren basieren auf kaskadierten globalen Filtern, die Filterargumente auf Bildenebene bereitstellen, aber keine feingranularen Nachbearbeitungen durchführen können. Im Gegensatz dazu verwenden Farbkorrektoren in der Regel einen Teile-und-Herrsche-Ansatz und führen bei der Verwendung traditioneller Werkzeuge wie Davinci Resolve eine Reihe von regionsspezifischen feingranularen Verbesserungen durch. Wir greifen diesen Erkenntnis auf und entwickeln einen White-Box-Rahmen für das Fotografie-Nachbearbeiten unter Verwendung paralleler regionsspezifischer Filter, genannt RSFNet (Region-Specific Filters Network). Unser Modell generiert simultan Filterargumente (z.B. Sättigung, Kontrast, Farbton) und Aufmerksamkeitskarten für jede Region. Anstatt Filter zu kaskadieren, verwendet RSFNet lineare Summationen von Filtern, was eine größere Vielfalt an Filterklassen ermöglicht, die leichter trainiert werden können. Unsere Experimente zeigen, dass RSFNet den aktuellen Stand der Technik erreicht und sowohl ästhetisch ansprechende Ergebnisse als auch erhöhte Benutzerfreundlichkeit für bearbeitbare White-Box-Nachbearbeitungen bietet.