Nous proposons une réparamétrisation profonde de la formulation du maximum a posteriori (MAP) couramment utilisée dans les tâches de restauration d'images multi-cadres. Notre approche est dérivée en introduisant une métrique d'erreur apprise et une représentation latente de l'image cible, ce qui transforme l'objectif MAP en un espace de caractéristiques profondes. Cette réparamétrisation profonde nous permet de modéliser directement le processus de formation d'image dans l'espace latent et d'intégrer des a priori d'image appris dans la prédiction. Notre méthode tire ainsi parti des avantages de l'apprentissage profond tout en bénéficiant de la fusion multicadre rigoureuse fournie par la formulation MAP classique. Nous validons notre approche à travers des expériences exhaustives sur des ensembles de données de débruitage et de sur-résolution par rafale. Notre méthode établit un nouveau niveau d'excellence pour ces deux tâches, démontrant la généralité et l'efficacité de la formulation proposée.