Les méthodes d’optimisation fondées sur un modèle et les méthodes d’apprentissage discriminatif constituent les deux approches dominantes pour résoudre divers problèmes inverses en vision basse niveau. En général, ces deux catégories de méthodes présentent chacune des avantages et des inconvénients propres : les méthodes d’optimisation fondées sur un modèle sont flexibles pour traiter divers problèmes inverses, mais elles sont souvent coûteuses en temps de calcul, notamment lorsqu’elles reposent sur des a priori complexes afin d’obtenir de bons résultats ; par ailleurs, les méthodes d’apprentissage discriminatif offrent une vitesse de test rapide, mais leur domaine d’application est fortement limité par la spécialisation de la tâche. Des travaux récents ont montré qu’en s’appuyant sur des techniques de décomposition variable, un préalable de débruitage (denoiser prior) peut être intégré comme composant modulaire dans les méthodes d’optimisation fondées sur un modèle afin de résoudre d’autres problèmes inverses (par exemple, le déflouage). Cette intégration présente un avantage considérable lorsque le débruiteur est obtenu par apprentissage discriminatif. Toutefois, l’étude de cette intégration avec des débruiteurs discriminatifs rapides reste encore insuffisante. À cet effet, ce papier vise à entraîner un ensemble de débruiteurs basés sur des réseaux de neurones convolutifs (CNN) rapides et efficaces, puis à les intégrer dans une méthode d’optimisation fondée sur un modèle afin de résoudre d’autres problèmes inverses. Les résultats expérimentaux démontrent que l’ensemble de débruiteurs appris non seulement atteint des performances prometteuses dans le débruitage gaussien, mais peut également être utilisé comme préalable pour obtenir de bons résultats dans diverses applications de vision basse niveau.