Nous présentons une nouvelle méthode permettant d’améliorer la résolution spatiale des images stéréo à l’aide d’un prior de parallaxe. Alors que les approches classiques de vision stéréo se concentrent sur l’estimation de la profondeur à partir d’images stéréo, notre méthode utilise les images stéréo non pas pour estimer la disparité, mais pour améliorer la résolution spatiale. Le défi central réside dans le fait de corriger avec une précision sub-pixel les pixels correspondants. En effet, dans les méthodes traditionnelles de stéréo, la disparité est calculée par pixel, ce qui rend cette approche inappropriée directe pour l’amélioration de la résolution spatiale. Nous surmontons cette limitation en apprenant un prior de parallaxe à partir de jeux de données d’images stéréo, en entraînant conjointement un réseau en deux étapes. Le premier réseau apprend à améliorer la résolution spatiale des images stéréo dans le canal de luminance, tandis que le second réseau apprend à reconstruire une image couleur haute résolution à partir des composantes haute résolution de luminance et de chrominance de l’image d’entrée. Notre réseau en deux étapes, entraîné de manière conjointe, améliore significativement la résolution spatiale des images stéréo par rapport aux méthodes classiques de super-résolution à image unique. La méthode proposée est directement applicable à tout système de capture d’images stéréo en profondeur, permettant ainsi d’augmenter la résolution spatiale des images stéréo.