La plupart des appareils photo numériques grand public ne peuvent capturer qu'une plage limitée de luminance dans les scènes du monde réel en raison des contraintes des capteurs. De plus, le bruit et les erreurs de quantification sont souvent introduits lors du processus d'imagerie. Pour obtenir des images à haute dynamique (HDR) avec une qualité visuelle excellente, la solution la plus courante consiste à combiner plusieurs images avec des expositions différentes. Cependant, il n'est pas toujours possible d'obtenir plusieurs images de la même scène, et la plupart des méthodes de reconstruction HDR ignorent le bruit et les pertes de quantification. Dans ce travail, nous proposons une nouvelle approche basée sur l'apprentissage utilisant un réseau encodeur-décodeur spatialement dynamique, appelé HDRUNet, pour apprendre une carte d'application de bout en bout pour la reconstruction HDR d'une seule image avec débruitage et déquantification. Le réseau est composé d'un réseau de base au style UNet pour tirer pleinement parti des informations hiérarchiques multi-échelles, d'un réseau conditionnel pour effectuer une modulation spécifique aux motifs et d'un réseau de pondération pour retenir sélectivement l'information. De plus, nous proposons une fonction de perte Tanh_L1 pour équilibrer l'impact des valeurs surexposées et bien exposées sur l'apprentissage du réseau. Notre méthode atteint des performances de pointe dans les comparaisons quantitatives et la qualité visuelle. Le modèle HDRUNet proposé a obtenu la deuxième place dans le classement simple image du Défi Haute Dynamique 2021 (NITRE2021 High Dynamic Range Challenge).