Dans cet article, nous proposons un nouveau modèle de réseau de neurones profond permettant de reconstruire une image à haut dynamisme (HDR) à partir d'une seule image à faible dynamisme (LDR). Le modèle proposé repose sur un réseau de neurones convolutifs composé de couches de convolution dilatée, et permet d’inférer des images LDR exposées de manière différente et éclairées de manière variée à partir d’une seule image LDR de la même scène. La image HDR finale peut ensuite être obtenue par fusion de ces résultats d’inférence. La structure en chaîne du modèle permet relativement facilement de trouver la correspondance entre une image LDR et une image HDR à profondeur de bits différente, en raison de sa capacité à modéliser les relations entre des images LDR exposées de manière plus claire (ou plus sombre) à partir d’une image LDR donnée. Cette méthode non seulement étend la gamme dynamique, mais présente également l’avantage de restaurer fidèlement les informations lumineuses du monde physique réel. Pour les images HDR obtenues par la méthode proposée, le score HDR-VDP2 — le critère d’évaluation le plus couramment utilisé pour les images HDR — atteint 56,36 sur un écran de résolution 1920×1200, soit une amélioration de 6 points par rapport aux scores obtenus par les algorithmes conventionnels. En outre, en comparant les valeurs du rapport signal-bruit pic (PSNR) des images HDR mappées en tons (tone-mapped) générées par la méthode proposée et par les algorithmes classiques, la valeur moyenne obtenue par la méthode proposée s’élève à 30,86 dB, soit 10 dB de plus que celle des algorithmes conventionnels.