Nous présentons une méthode basée sur un réseau de neurones convolutifs (CNN) pour estimer l’éclairage en plein air à grand dynamisme à partir d’une seule image à faible dynamique. Pour entraîner le CNN, nous exploitons un grand jeu de données composé de panoramas extérieurs. Nous ajustons un modèle physique d’éclairage extérieur à faible dimension aux ciels de ces panoramas, ce qui nous fournit un ensemble compact de paramètres (incluant la position du soleil, les conditions atmosphériques et les paramètres de la caméra). Nous extrayons des images à champ de vision restreint à partir des panoramas, puis entraînons un CNN à partir de ce grand ensemble de paires d’images d’entrée et de paramètres d’éclairage associés. Étant donné une image de test, ce réseau peut être utilisé pour estimer les paramètres d’éclairage, qui peuvent ensuite servir à reconstruire une carte d’environnement d’éclairage extérieur. Nous démontrons que notre approche permet de récupérer des conditions d’éclairage plausibles et d’insérer de manière photoréaliste des objets virtuels à partir d’une seule image. Une évaluation approfondie sur le jeu de données de panoramas ainsi que sur des cartes d’environnement HDR capturées montre que notre technique surpasser significativement les solutions précédentes à ce problème.