L'apprentissage profond est couramment utilisé pour reconstruire des images HDR à partir d'images LDR. Les méthodes basées sur des piles LDR sont utilisées pour la reconstruction HDR mono-image, générant une image HDR à partir d'une pile LDR générée par apprentissage profond. Cependant, les méthodes actuelles génèrent la pile avec des valeurs d'exposition prédéterminées (EV), ce qui peut limiter la qualité de la reconstruction HDR. Pour remédier à cela, nous proposons la représentation continue des valeurs d'exposition (CEVR), qui utilise une fonction implicite pour générer des images LDR avec des EVs arbitraires, y compris ceux qui n'ont pas été observés lors de l'entraînement. Notre approche génère une pile continue comprenant plus d'images avec des EVs variés, améliorant considérablement la reconstruction HDR. Nous utilisons une stratégie d'entraînement cyclique pour superviser le modèle dans la génération d'images LDR avec des EVs continus en l'absence de vérités terrain correspondantes. Notre modèle CEVR surpass les méthodes existantes, comme le démontrent les résultats expérimentaux.