Nous proposons un cadre général pour le débruitage de mesures de grande dimension qui ne nécessite aucune hypothèse préalable sur le signal, aucune estimation du bruit et aucune donnée d'entraînement propre. La seule supposition est que le bruit présente une indépendance statistique à travers les différentes dimensions de la mesure, tandis que le signal réel présente certaines corrélations. Pour une large classe de fonctions (« $\mathcal{J}$J-invariantes »), il est alors possible d'estimer la performance d'un débruiteur à partir de données bruitées uniquement. Cela nous permet de calibrer des versions $\mathcal{J}$J-invariantes de tout algorithme de débruitage paramétrique, qu'il s'agisse du seul hyperparamètre d'un filtre médian ou des millions de poids d'un réseau neuronal profond. Nous illustrons cela sur des données d'images naturelles et de microscopie, où nous exploitons l'indépendance du bruit entre les pixels, ainsi que sur des données d'expression génétique au niveau cellulaire unique, où nous exploitons l'indépendance entre les détecteurs de molécules individuelles. Ce cadre généralise les travaux récents sur l'entraînement de réseaux neuronaux à partir d'images bruitées et sur la validation croisée pour la factorisation matricielle.