本文提出了一种新颖的方法——无参考深度曲线估计（Zero-DCE），该方法将光照增强任务视为基于图像的曲线估计问题，并通过深度网络来实现。我们的方法训练了一个轻量级的深度网络，即DCE-Net，以估计给定图像中每个像素的高阶曲线，用于动态范围调整。曲线估计特别考虑了像素值范围、单调性和可微性。Zero-DCE 的一个显著优点在于其对参考图像假设的放宽，即在训练过程中不需要任何配对或非配对数据。这是通过一组精心设计的无参考损失函数实现的，这些损失函数隐式地衡量了增强质量并驱动网络的学习过程。我们的方法效率高，因为图像增强可以通过直观且简单的非线性曲线映射来实现。尽管方法简单，我们展示了它在各种光照条件下具有良好的泛化能力。广泛的实验结果表明，无论是在定性还是定量方面，我们的方法都优于现有的最先进方法。此外，本文还讨论了Zero-DCE 在暗光环境下人脸检测中的潜在优势。代码和模型将在 https://github.com/Li-Chongyi/Zero-DCE 提供。