La récupération d'une image à grande gamme dynamique (HDR) à partir d'une seule image à faible gamme dynamique (LDR) est un défi en raison des détails manquants dans les régions sous- et sur-exposées, causés par la quantification et la saturation des capteurs de caméra. Contrairement aux méthodes existantes basées sur l'apprentissage, notre idée centrale est d'intégrer les connaissances du domaine concernant le pipeline de formation des images LDR dans notre modèle. Nous modélisons le pipeline de formation des images HDR vers LDR comme suit : (1) la limitation de la gamme dynamique, (2) le mappage non linéaire issu de la fonction de réponse de la caméra, et (3) la quantification. Nous proposons ensuite d'apprendre trois réseaux de neurones convolutifs (CNN) spécialisés pour inverser ces étapes. En décomposant le problème en tâches spécifiques, nous imposons des contraintes physiques efficaces pour faciliter l'entraînement des sous-réseaux individuels. Enfin, nous affinons conjointement l'ensemble du modèle de manière end-to-end afin de réduire l'accumulation d'erreurs. Grâce à une série d'expériences quantitatives et qualitatives approfondies sur divers ensembles de données d'images, nous montrons que la méthode proposée se compare favorablement aux algorithmes de reconstruction HDR à partir d'une seule image les plus avancés actuellement.