L’image panoramique peut simultanément présenter l’ensemble des informations relatives à l’environnement ambiant et présente de nombreux avantages dans des domaines tels que le tourisme virtuel, les jeux vidéo, la robotique, etc. Toutefois, les progrès réalisés dans le domaine de l’estimation de profondeur panoramique ne parviennent pas à résoudre entièrement les problèmes de distorsion et de discontinuité engendrés par les méthodes de projection couramment utilisées. Ce papier propose SphereDepth, une nouvelle méthode d’estimation de profondeur pour images panoramiques, qui prédit directement la profondeur sur un maillage sphérique sans étape préalable de projection. L’idée centrale consiste à établir une relation entre l’image panoramique et le maillage sphérique, puis à exploiter un réseau neuronal profond pour extraire des caractéristiques sur le domaine sphérique afin de prédire la profondeur. Afin de répondre aux défis liés à l’efficacité posés par les données panoramiques à haute résolution, nous introduisons deux hyperparamètres dans le cadre proposé de traitement du maillage sphérique, permettant d’équilibrer vitesse d’inférence et précision. Validé sur trois jeux de données panoramiques publics, SphereDepth atteint des résultats comparables à ceux des méthodes les plus avancées en matière d’estimation de profondeur panoramique. Grâce à son cadre de traitement sur le domaine sphérique, SphereDepth permet de générer un nuage de points de haute qualité et de réduire de manière significative les problèmes de distorsion et de discontinuité.