L’harmonisation d’images haute résolution (HR) revêt une importance capitale dans des applications du monde réel telles que la synthèse d’images et le traitement d’images. Toutefois, en raison des coûts mémoire élevés associés, les méthodes existantes d’harmonisation pixel par pixel dense se concentrent principalement sur le traitement d’images à basse résolution (LR). Certaines approches récentes s’appuient sur des transformations couleur par couleur, mais elles sont soit limitées à certaines résolutions, soit fortement dépendantes de filtres d’image conçus manuellement. Dans ce travail, nous explorons l’utilisation de la représentation neuronale implicite (INR) et proposons une nouvelle méthode d’harmonisation d’images basée sur les réseaux neuronaux implicites (HINet), qui, à notre connaissance, constitue la première méthode d’harmonisation pixel par pixel dense applicable aux images haute résolution sans nécessiter de conception de filtres manuels. Inspirés par la théorie de Retinex, nous décomposons les réseaux multicouches (MLP) en deux parties distinctes afin de capturer séparément le contenu et l’environnement des images composites. Nous introduisons également un réseau de priorité d’image à basse résolution (LRIP) pour atténuer le problème d’incohérence aux frontières, ainsi que de nouvelles architectures pour les processus d’entraînement et de déduction. Des expériences étendues démontrent l’efficacité de notre méthode par rapport aux approches de pointe. En outre, nous explorons plusieurs applications intéressantes et pratiques de la méthode proposée. Le code source est disponible à l’adresse suivante : https://github.com/WindVChen/INR-Harmonization.