Les réseaux convolutionnels profonds sont devenus un outil populaire pour la génération et la restauration d’images. En général, leur excellent rendement est attribué à leur capacité à apprendre des a priori réalistes sur les images à partir d’un grand nombre d’exemples. Dans cet article, nous montrons au contraire que la structure même du réseau générateur est suffisante pour capturer une grande partie des statistiques de bas niveau des images, avant même tout apprentissage. Pour cela, nous démontrons qu’un réseau neuronal initialisé aléatoirement peut servir d’a priori artisanalement conçu, offrant des résultats remarquables dans des problèmes inverses standards tels que le débruitage, la super-résolution et l’imputation d’images. En outre, ce même a priori peut être utilisé pour inverser les représentations profondes des réseaux afin de les diagnostiquer, ainsi que pour restaurer des images à partir de paires d’images prises avec et sans flash.Outre ses nombreuses applications, notre approche met en lumière le biais inductif capturé par les architectures standard de réseaux générateurs. Elle permet également de combler le fossé entre deux familles très populaires de méthodes de restauration d’images : les méthodes basées sur l’apprentissage utilisant des réseaux convolutionnels profonds, et les méthodes sans apprentissage fondées sur des a priori artisanaux, tels que la similarité auto-similaire. Le code source et les compléments sont disponibles à l’adresse suivante : https://dmitryulyanov.github.io/deep_image_prior.