L'imputation de valeurs manquantes est un problème fondamental dans la modélisation spatio-temporelle, qu'il s'agisse du suivi de mouvement ou des dynamiques des systèmes physiques. Les modèles autorégressifs profonds souffrent d'une propagation d'erreurs qui devient catastrophique lors de l'imputation de séquences à long terme. Dans cet article, nous adoptons une approche non autorégressive et proposons un nouveau modèle génératif profond : l'Imputation Multirésolution Non-Autorégressive (NAOMI) pour imputer des séquences à long terme en présence de motifs de données manquantes arbitraires. NAOMI exploite la structure multirésolution des données spatio-temporelles et décode de manière récursive des résolutions grossières aux résolutions fines grâce à une stratégie diviser-pour-régner. Nous améliorons davantage notre modèle par une formation adversariale. Lorsqu'il est évalué sur des jeux de données de référence issus de systèmes présentant à la fois des dynamiques déterministes et stochastiques, NAOMI montre une amélioration significative en termes de précision d'imputation (réduisant l'erreur prédictive moyenne de 60 % par rapport aux modèles autorégressifs) et une meilleure généralisation pour les séquences à long terme.