Les artistes numériques améliorent fréquemment la qualité esthétique des photographies numériques grâce à un retouche manuelle. En plus des ajustements globaux, les logiciels professionnels de traitement d’image proposent des outils d’ajustement local agissant sur des régions spécifiques de l’image. Ces outils incluent des filtres paramétriques (filtres gradués, filtres radiaux) ainsi que des pinceaux sans contrainte. Ces outils hautement expressifs permettent une grande diversité d’améliorations locales. Toutefois, leur utilisation peut s’avérer longue et exige une certaine capacité artistique. Les approches automatisées d’amélioration d’image les plus avancées se concentrent généralement sur l’apprentissage d’améliorations au niveau des pixels ou d’ajustements globaux. Les premières peuvent être bruitées et manquer d’interprétabilité, tandis que les secondes échouent souvent à capturer des ajustements fins. Dans cet article, nous introduisons une nouvelle approche permettant d’améliorer automatiquement les images à l’aide de filtres spatialement locaux appris, de trois types différents : filtre elliptique, filtre gradué et filtre polynomial. Nous proposons un réseau de neurones profond, nommé Deep Local Parametric Filters (DeepLPF), qui prédit les paramètres de ces filtres localisés spatialement, puis les applique automatiquement pour améliorer l’image. DeepLPF offre une forme naturelle de régularisation du modèle et permet des ajustements interprétables et intuitifs, conduisant à des résultats visuellement plaisants. Nous présentons les résultats sur plusieurs benchmarks et montrons que DeepLPF atteint des performances de pointe sur deux variantes du jeu de données MIT-Adobe-5K, souvent avec une fraction des paramètres nécessaires aux méthodes concurrentes.