Bien que les réseaux de neurones convolutifs profonds (CNNs) aient obtenu des succès impressionnants dans le débruitage d'images avec du bruit blanc gaussien additif (AWGN), leurs performances restent limitées sur les photographies bruyantes du monde réel. La principale raison est que leurs modèles appris sont facilement surajustés au modèle simplifié d'AWGN, qui s'écarte considérablement du modèle de bruit complexe du monde réel. Pour améliorer la capacité de généralisation des débruiteurs CNN profonds, nous proposons d'entraîner un réseau de débruitage aveugle convolutif (CBDNet) avec un modèle de bruit plus réaliste et des paires d'images bruyantes-nettes du monde réel. D'une part, à la fois le bruit dépendant du signal et le pipeline de traitement des signaux en caméra sont pris en compte pour synthétiser des images bruyantes réalistes. D'autre part, des photographies bruyantes du monde réel et leurs équivalents presque exempts de bruit sont également inclus pour entraîner notre CBDNet. Pour fournir une stratégie interactive permettant de corriger facilement le résultat du débruitage, un sous-réseau d'estimation du bruit avec apprentissage asymétrique pour supprimer la sous-estimation du niveau de bruit est intégré dans CBDNet. De nombreux résultats expérimentaux sur trois jeux de données de photographies bruyantes du monde réel montrent clairement la supériorité de CBDNet par rapport aux méthodes les plus avancées en termes de métriques quantitatives et de qualité visuelle. Le code est disponible à l'adresse suivante : https://github.com/GuoShi28/CBDNet.