La génération d'images à grande dynamique (HDR) à partir d'une seule image à faible dynamique (LDR) est désormais possible grâce aux récentes avancées en apprentissage profond (Deep Learning). De nombreuses architectures de réseaux neuronaux convolutifs (CNNs) ont été proposées pour apprendre les représentations LDR à HDR. Pour mieux exploiter le potentiel des CNNs, nous utilisons l'idée de rétroaction, où les caractéristiques de bas niveau initiales sont guidées par les caractéristiques de haut niveau via un état caché d'un réseau neuronal récurrent (RNN). Contrairement au passage simple dans un réseau conventionnel à alimentation avant, la reconstruction LDR à HDR dans un réseau à rétroaction est apprise sur plusieurs itérations. Cela nous permet de créer une représentation progressive du grossier au fin, améliorant ainsi la qualité de la reconstruction à chaque itération. Parmi les nombreux avantages par rapport aux réseaux à alimentation avant standards figurent la capacité de reconstruction précoce et une meilleure qualité de reconstruction avec moins de paramètres du réseau. Nous concevons un bloc de rétroaction dense et proposons un réseau à rétroaction intégrale - FHDR pour la génération d'images HDR à partir d'une seule image LDR. Les évaluations qualitatives et quantitatives montrent la supériorité de notre approche par rapport aux méthodes actuelles les plus performantes.