Les capteurs photo ne peuvent capter qu'une plage limitée de luminance simultanément, et pour produire des images à haut dynamisme (HDR), on combine généralement un ensemble d'expositions différentes. Dans cet article, nous abordons le problème de la prédiction des informations perdues dans les zones saturées des images, afin de permettre la reconstruction HDR à partir d'une seule exposition. Nous montrons que ce problème se prête particulièrement bien aux algorithmes d'apprentissage profond, et proposons un réseau de neurones convolutifs profonds (CNN) spécifiquement conçu en tenant compte des défis liés à la prédiction des valeurs HDR. Pour entraîner ce CNN, nous avons constitué un grand jeu de données d'images HDR, que nous avons enrichi en simulant la saturation du capteur pour une variété de caméras. Pour renforcer davantage la robustesse, nous préentraînons le CNN sur un jeu de données HDR simulé, issu d'un sous-ensemble de la base MIT Places. Nous démontrons que notre approche permet de reconstruire des images HDR de haute résolution, visuellement convaincantes, dans une large gamme de situations, et qu'elle se généralise efficacement à la reconstruction d'images prises avec des caméras quelconques, y compris des modèles bas de gamme, utilisant des fonctions de réponse de caméra inconnues et des traitements postérieurs non spécifiés. En outre, nous comparons notre méthode aux approches existantes de reconstruction HDR, et montrons des résultats de haute qualité également pour l'éclairage basé sur les images. Enfin, nous évaluons les résultats dans une expérience subjective réalisée sur un écran HDR. Ces résultats montrent que les images HDR reconstruites sont visuellement convaincantes, avec des améliorations significatives par rapport aux méthodes existantes.