L'apprentissage des modèles discriminatifs pour le débruitage d'images suscite actuellement un intérêt croissant en raison de leurs performances prometteuses dans ce domaine. Dans cet article, nous allons plus loin en explorant la conception de réseaux de neurones convolutifs débruiteurs en boucle avant (DnCNN), afin d’intégrer les progrès récents en matière d’architectures très profondes, d’algorithmes d’apprentissage et de méthodes de régularisation dans le débruitage d’images. Plus précisément, nous utilisons l’apprentissage résiduel et la normalisation par lot (batch normalization) pour accélérer le processus d’entraînement tout en améliorant les performances de débruitage. Contrairement aux modèles discriminatifs existants, qui entraînent généralement un modèle spécifique pour le bruit additif blanc gaussien (AWGN) à un niveau de bruit donné, notre modèle DnCNN est capable de traiter le débruitage gaussien même lorsque le niveau de bruit est inconnu (c’est-à-dire un débruitage gaussien aveugle). Grâce à la stratégie d’apprentissage résiduel, le modèle DnCNN supprime implicitement l’image propre cachée au sein des couches cachées. Cette propriété nous a conduit à entraîner un seul modèle DnCNN capable de traiter plusieurs tâches générales de débruitage d’images, telles que le débruitage gaussien, la super-résolution d’image unique et le déblocage d’images JPEG. Nos expérimentations étendues démontrent que notre modèle DnCNN est non seulement hautement efficace dans plusieurs tâches de débruitage d’images générales, mais peut également être mis en œuvre de manière efficace grâce aux capacités de calcul des GPU.