Nous proposons IntraTomo, un cadre puissant qui combine les avantages des approches fondées sur l’apprentissage et celles fondées sur les modèles pour résoudre des problèmes inverses fortement mal posés dans le contexte de la tomographie par ordinateur (CT). IntraTomo est composé de deux modules centraux : un nouveau module de prédiction de sinogramme, et un module de raffinement géométrique, appliqués de manière itérative. Dans le premier module, le champ de densité inconnu est représenté comme une fonction continue et différentiable, paramétrée par un réseau de neurones profond. Ce réseau est appris de manière auto-supervisée à partir d’un sinogramme d’entrée incomplet et/ou dégradé. Une fois estimé par le module de prédiction de sinogramme, le champ de densité est progressivement raffiné dans le second module à l’aide de prioris géométriques locaux et non locaux. Grâce à ces deux modules centraux, nous démontrons que IntraTomo surpasse significativement les approches existantes sur plusieurs problèmes inverses mal posés, tels que la tomographie à angle limité avec une portée de 45 degrés, la reconstruction tomographique à vue sparse avec aussi peu que huit vues, ou encore la tomographie à super-résolution avec une augmentation de résolution de huit fois. Les expériences menées sur des données simulées et réelles montrent que notre approche permet d’obtenir des résultats de qualité inédite.