Ces dernières années ont vu une augmentation croissante de la popularité des méthodes basées sur l'apprentissage pour améliorer la couleur et le ton des photos. Cependant, de nombreuses méthodes existantes d'amélioration photographique fournissent soit des résultats insatisfaisants, soit consomment trop de ressources computationnelles et mémoire, ce qui entrave leur utilisation pour les images haute résolution (généralement avec plus de 12 mégapixels) en pratique. Dans cet article, nous apprenons des tables de correspondance tridimensionnelles adaptatives aux images (3D LUTs) afin d'atteindre une amélioration photographique rapide et robuste. Les 3D LUTs sont largement utilisées pour manipuler la couleur et le ton des photos, mais elles sont généralement ajustées manuellement et fixées dans la chaîne d'imagerie des caméras ou les outils de retouche photo. Pour la première fois, selon nos connaissances, nous proposons d'apprendre ces 3D LUTs à partir de données annotées en utilisant un apprentissage par paires ou non supervisé. Plus important encore, notre 3D LUT apprise est adaptative aux images pour une amélioration photographique flexible. Nous apprenons simultanément plusieurs 3D LUTs de base et un petit réseau neuronal convolutif (CNN) dans une approche bout-à-bout. Le petit CNN travaille sur une version sous-échantillonnée de l'image d'entrée pour prédire des poids dépendants du contenu qui fusionnent les multiples 3D LUTs de base en une 3D LUT adaptative à l'image, utilisée ensuite pour transformer efficacement la couleur et le ton des images sources. Notre modèle contient moins de 600K paramètres et prend moins de 2 ms pour traiter une image en résolution 4K à l'aide d'une carte graphique Titan RTX. Bien qu'il soit très efficace, notre modèle surpass également largement les méthodes d'amélioration photographique les plus avancées actuellement disponibles en termes de PSNR, SSIM et d'un métrique de différence chromatique sur deux jeux de données benchmark publiquement accessibles.