Nous présentons un nouveau réseau pour la correction de l’effet de volet roulant. Notre réseau prend deux images consécutives soumises à l’effet de volet roulant et estime l’image correspondante au volet global du cadre le plus récent. Le champ de déplacement dense d’une image au volet roulant vers son image correspondante au volet global est estimé à l’aide d’un réseau d’estimation du mouvement. La représentation de caractéristiques apprise à partir d’une image au volet roulant est ensuite déformée, via ce champ de déplacement, vers sa représentation au volet global grâce à un bloc de déformation différentiable. Un décodeur d’image reconstruit l’image au volet global à partir de la représentation de caractéristiques déformées. Notre réseau peut être entraîné de manière end-to-end et ne nécessite que l’image au volet global pour la supervision. Étant donné l’absence de jeu de données public disponible, nous proposons également deux grands jeux de données : le jeu de données Carla-RS et le jeu de données Fastec-RS. Les résultats expérimentaux démontrent que notre réseau surpasser les méthodes de pointe. Nous mettons à disposition à l’adresse suivante le code source ainsi que les jeux de données : https://github.com/ethliup/DeepUnrollNet.