L'article présente une nouvelle méthode, l'Estimation de Courbes Profondes sans Référence (Zero-DCE), qui formule l'amélioration de l'éclairage comme une tâche d'estimation de courbes spécifiques à chaque image à l'aide d'un réseau profond. Notre méthode entraîne un réseau profond léger, appelé DCE-Net, pour estimer des courbes de pixel en pixel et des courbes d'ordre supérieur pour ajuster la plage dynamique d'une image donnée. L'estimation des courbes est spécialement conçue en tenant compte de la plage de valeurs des pixels, de la monotonie et de la différentiabilité. Zero-DCE se distingue par son hypothèse détendue concernant les images de référence, c'est-à-dire qu'elle n'a pas besoin de données appariées ou non appariées lors de l'entraînement. Cela est rendu possible grâce à un ensemble de fonctions de perte sans référence soigneusement formulées, qui mesurent implicitement la qualité de l'amélioration et guident l'apprentissage du réseau. Notre méthode est efficace car l'amélioration d'image peut être réalisée par une carte non linéaire intuitive et simple. Malgré sa simplicité, nous démontrons qu'elle s'adapte bien à diverses conditions d'éclairage. De nombreuses expériences sur différents benchmarks montrent les avantages qualitatifs et quantitatifs de notre méthode par rapport aux méthodes les plus avancées actuellement disponibles. De plus, les bénéfices potentiels de notre Zero-DCE pour la détection faciale dans l'obscurité sont discutés. Le code source et le modèle seront disponibles sur https://github.com/Li-Chongyi/Zero-DCE.