Des conditions d’éclairage personnalisées et naturelles peuvent être simulées dans les images d’une scène lors de l’édition postérieure. Les capacités exceptionnelles du cadre d’apprentissage profond peuvent être exploitées à cet effet. Le relighting d’images profondes permet une amélioration automatique des photographies par retouche spécifique à l’éclairage. La plupart des méthodes les plus avancées en matière de relighting sont intensives en temps d’exécution et peu efficaces en mémoire. Dans cet article, nous proposons un cadre efficace et en temps réel, appelé Deep Stacked Relighting Network (DSRN), pour le relighting d’images, en exploitant les caractéristiques agrégées provenant de l’image d’entrée à différentes échelles. Notre modèle est très léger, avec une taille totale d’environ 42 Mo, et présente un temps moyen de déduction d’environ 0,0116 seconde pour une image de résolution $1024 \times 1024$1024×1024, ce qui le rend plus rapide que d’autres modèles multi-échelles. Notre solution se révèle particulièrement robuste pour la translation de la température de couleur de l’image d’entrée vers l’image cible, et obtient des résultats modérés pour la génération du gradient d’éclairage par rapport à l’image cible. En outre, nous démontrons que l’utilisation d’images éclairées depuis des directions opposées comme entrées améliore qualitativement les résultats par rapport à l’utilisation d’une seule image d’entrée.