Le flare d’image est un problème courant qui survient lorsque l’objectif d’une caméra est orienté vers une source lumineuse intense. Il peut se manifester sous forme de fantômes, de flou lumineux (blooming) ou d’autres artefacts, entraînant une dégradation de la qualité de l’image. Nous proposons une nouvelle approche fondée sur l’apprentissage profond pour la suppression du flare, combinant estimation de profondeur et restauration d’image. Nous utilisons un Vision Transformer Dense pour estimer la carte de profondeur de la scène. Cette carte est ensuite concaténée à l’image d’entrée, qui est ensuite introduite dans un Uformer, un transformateur à architecture en U généraliste pour la restauration d’image. Notre méthode obtient des performances de pointe sur le jeu de données de test Flare7K++, démontrant son efficacité dans la suppression des artefacts de flare. Elle se distingue également par sa robustesse et sa capacité de généralisation sur des images réelles présentant divers types de flare. Nous estimons que ce travail ouvre de nouvelles perspectives pour l’utilisation des informations de profondeur dans la restauration d’image. Le code est disponible sur GitHub.