Die meisten auf Deep Learning basierenden Algorithmen zur Bildverbesserung wurden bisher auf der Grundlage des Bild-zu-Bild-Übersetzungsansatzes entwickelt, bei dem die Verbesserungsprozesse schwer interpretierbar sind. In diesem Artikel stellen wir einen neuartigen interpretierbaren Algorithmus zur Bildverbesserung vor, der mehrere Transformationsfunktionen schätzt, um komplexe Farbkartenabbildungen zu beschreiben. Zunächst entwickeln wir ein histogrammbasiertes Netzwerk zur Schätzung mehrerer Transformationsfunktionen (HMTF-Net), das sowohl räumliche als auch statistische Informationen der Eingabebilder nutzt, um mehrere Transformationsfunktionen zu schätzen. Zweitens schätzen wir pixelweise Gewichtskarten, die den Beitrag jeder Transformationsfunktion an jedem Pixel basierend auf den lokalen Strukturen der Eingabebilder sowie der durch die einzelnen Transformationsfunktionen erzeugten transformierten Bilder angeben. Schließlich erhalten wir das verbesserte Bild als gewichtete Summe der transformierten Bilder unter Verwendung der geschätzten Gewichtskarten. Umfangreiche Experimente bestätigen die Wirksamkeit des vorgeschlagenen Ansatzes und zeigen, dass der Algorithmus gegenüber aktuellen State-of-the-Art-Verfahren zur Bildverbesserung für verschiedene Aufgaben der Bildverbesserung überlegen ist.