L’estimation de la profondeur (disparité) à partir d’images à champ lumineux 4D (LF) a été un sujet de recherche au cours des dernières années. La plupart des études se sont concentrées sur l’estimation de la profondeur à partir d’images 4D LF statiques, sans tenir compte des informations temporelles, c’est-à-dire des vidéos LF. Ce papier propose une architecture de réseau neuronal end-to-end pour l’estimation de la profondeur à partir de vidéos 4D LF. Par ailleurs, cette étude met en place un jeu de données synthétique de taille moyenne constitué de vidéos 4D LF, pouvant être utilisé pour l’entraînement de méthodes basées sur l’apprentissage profond. Les résultats expérimentaux obtenus sur des vidéos 4D LF synthétiques et réelles montrent que l’information temporelle contribue à améliorer la précision de l’estimation de la profondeur, notamment dans les régions bruitées. Le jeu de données et le code sont disponibles à l’adresse suivante : https://mediaeng-lfv.github.io/LFV_Disparity_Estimation