Nous présentons DeblurGAN, une méthode d'apprentissage de bout en bout pour le défloutage de mouvement. L'apprentissage est basé sur un GAN conditionnel et la perte de contenu. DeblurGAN atteint des performances de pointe tant dans la mesure de similarité structurelle que dans l'apparence visuelle. La qualité du modèle de défloutage est également évaluée d'une manière novatrice sur un problème réel -- la détection d'objets sur des images (dé)flouées. La méthode est 5 fois plus rapide que le concurrent le plus proche -- DeepDeblur. Nous introduisons également une nouvelle méthode pour générer des images floues synthétiques à partir d'images nettes, permettant une augmentation réaliste du jeu de données.Le modèle, le code et le jeu de données sont disponibles à l'adresse suivante : https://github.com/KupynOrest/DeblurGAN