Nous présentons une nouvelle approche pour ajuster les propriétés globales des images, telles que la couleur, la saturation et la luminosité, en utilisant des courbes d'amélioration d'images interprétables par l'humain, inspirées de l'outil de courbes de Photoshop. Notre méthode, baptisée Couches CURve Neuronales (CURL), est conçue comme un bloc de retouche neuronale multi-espaces colorimétriques formé conjointement dans trois espaces colorimétriques différents (HSV, CIELab, RGB) sous la guidance d'une nouvelle perte multi-espaces colorimétriques. Les courbes sont entièrement différentiables et sont formées de bout en bout pour divers problèmes de vision par ordinateur, y compris l'amélioration photographique (RGB-to-RGB) et comme partie du pipeline de traitement du signal d'image pour la formation d'images (RAW-to-RGB). Pour démontrer l'efficacité de CURL, nous combinons ce bloc de transformation globale d'image avec un réseau encodeur-décodeur multi-échelles au niveau des pixels (local). Dans une évaluation expérimentale exhaustive, nous montrons que CURL produit une qualité d'image à la pointe de l'état de l'art comparée aux approches récentes basées sur l'apprentissage profond, tant en termes de métriques objectives que perceptuelles, établissant ainsi une nouvelle référence sur plusieurs jeux de données publics. Notre code est disponible publiquement à l'adresse suivante : https://github.com/sjmoran/CURL.