L’apprentissage de la profondeur à partir de panoramas sphériques devient un sujet de recherche populaire, car un panorama offre un champ de vision complet de l’environnement et permet une description relativement complète d’une scène. Toutefois, l’application de réseaux de neurones convolutifs (CNN) bien établis pour les images perspectives au format standard des panoramas sphériques, à savoir la projection équirectangulaire, est sous-optimale, car elle engendre des distorsions importantes aux pôles. Une autre représentation, la projection cubemap, est libre de distorsion, mais présente des discontinuités aux bords et une limitation du champ de vision. Ce papier introduit un nouveau cadre permettant de fusionner les caractéristiques issues des deux projections, en transférant unidirectionnellement les caractéristiques de la projection cubemap vers celles de la projection équirectangulaire uniquement lors de l’étape de décodage. Contrairement aux approches récentes de fusion bidirectionnelle opérant à la fois aux étapes d’encodage et de décodage, notre schéma de fusion est bien plus efficace. En outre, nous avons conçu un module de fusion plus performant adapté à notre approche. Des expériences confirment l’efficacité de notre stratégie de fusion et de son module, et notre modèle atteint des performances de pointe sur quatre jeux de données populaires. Des expériences supplémentaires montrent que notre modèle présente également des avantages en termes de complexité du modèle et de capacité de généralisation. Le code est disponible à l’adresse suivante : https://github.com/alibaba/UniFuse-Unidirectional-Fusion.