En raison de leur inférence rapide et de leurs performances élevées, les méthodes d’apprentissage discriminatif ont fait l’objet d’une étude intensive dans le domaine du débruitage d’images. Toutefois, ces méthodes apprennent généralement un modèle spécifique pour chaque niveau de bruit, nécessitant ainsi plusieurs modèles pour traiter des images présentant des niveaux de bruit différents. Elles manquent également de flexibilité pour traiter le bruit variant spatialement, ce qui limite leur application dans des cas pratiques. Pour surmonter ces limitations, nous proposons un réseau de neurones convolutifs pour le débruitage rapide et flexible, nommé FFDNet, dont l’entrée est une carte de niveau de bruit réglable. Le FFDNet opère sur des sous-images découpées (downsampled), offrant ainsi un bon compromis entre vitesse d’inférence et performance de débruitage. Contrairement aux débruiteurs discriminatifs existants, le FFDNet présente plusieurs propriétés souhaitables : (i) la capacité à gérer efficacement une large gamme de niveaux de bruit (par exemple, [0, 75]) avec un seul réseau ; (ii) la possibilité de supprimer le bruit variant spatialement en spécifiant une carte de niveau de bruit non uniforme ; (iii) une vitesse supérieure à celle du benchmark BM3D, même sur processeur central (CPU), sans compromettre la qualité du débruitage. Des expériences étendues sur des images bruitées synthétiques et réelles ont été menées afin d’évaluer le FFDNet par rapport aux méthodes de pointe. Les résultats démontrent que le FFDNet est à la fois efficace et performant, le rendant particulièrement attractif pour les applications pratiques de débruitage.