Les observations océanographiques existent à différentes résolutions spatio-temporelles et peuvent être assimilées à résolutions variables. La disponibilité de simulations numériques, telles que des réanalyses, rendent pertinent l'apprentissage supervisé pour traiter des problèmes inverses liés aux échelles. Toutefois, l'assimilation de données aux résolutions les plus fines de ces modèles océanographiques est très coûteux en ressource de calcul et construire ainsi une base d'apprentissage n'est difficilement qu'accessible. Dans ce travail, nous nous intéressons à l'utilisation d'un réseau génératif de type "deep image prior" à l'intérieur même d'un algorithme d'assimilation variationnelle de données et cela pour assimiler à échelle grossière des observations de la hauteur d'eau de la surface océanographique. L'algorithme reconstruit alors les hauteurs d'eau à échelle plus fine et cela de façon non supervisée. Nous illustrons les performances de l'algorithme sur des expériences jumelles en utilisant un modèle shallow-water et en les comparant avec des méthodes classiques. Nous constatons que l'utilisation d'un réseau "deep image prior" a des effets régularisants forts.