L'imagerie à dynamique élevée (HDR) permet de traiter les conditions d'éclairage du monde réel, contrairement à l'imagerie à dynamique faible (LDR) traditionnelle, qui peine à représenter fidèlement les images présentant une large dynamique. Toutefois, la majorité du contenu d'imagerie reste disponible uniquement en LDR. Ce papier présente une méthode permettant de générer du contenu HDR à partir de contenu LDR, basée sur des réseaux de neurones convolutifs profonds (CNN), appelée ExpandNet. ExpandNet prend en entrée des images LDR et produit des images avec une dynamique étendue de manière end-to-end. Le modèle cherche à reconstruire les informations manquantes perdues au cours du traitement initial, en raison de la quantification, du découpage (clipping), de la transformation de tons (tone mapping) ou de la correction gamma. Ces informations supplémentaires sont reconstruites à partir de caractéristiques apprises, le réseau étant entraîné de manière supervisée à l’aide d’un jeu de données d’images HDR. L’approche est entièrement automatique et pilotée par les données ; elle ne nécessite ni heuristiques ni expertise humaine. ExpandNet utilise une architecture multiscale qui évite l’utilisation de couches d’interpolation (upsampling) afin d’améliorer la qualité des images. La méthode obtient de bons résultats, comparée aux opérateurs d’expansion ou de transformation inverse de tons, sur plusieurs métriques quantitatives, même pour des entrées mal exposées.