Les problèmes inverses en imagerie sont largement étudiés, avec une variété de stratégies, d'outils et de théories qui ont été accumulées au fil des années. Récemment, ce domaine a été considérablement influencé par l'émergence des techniques d'apprentissage profond. Une telle contribution, qui est le sujet principal de cet article, est le travail sur le Deep Image Prior (DIP) par Ulyanov, Vedaldi et Lempitsky (2018). Le DIP propose une nouvelle approche pour la régularisation des problèmes inverses, obtenue en forçant l'image récupérée à être synthétisée à partir d'une architecture profonde donnée. Bien que le DIP ait été montré comme étant une approche non supervisée assez efficace, ses résultats restent encore en dessous de ceux des alternatives les plus performantes.Dans cette étude, nous visons à améliorer le DIP en ajoutant un prior explicite, qui enrichit l'effet de régularisation global afin d'aboutir à des images mieux récupérées. Plus précisément, nous proposons d'introduire le concept de Régularisation par Débruitage (RED), qui utilise les débruiteurs existants pour régulariser les problèmes inverses. Notre travail montre comment ces deux approches (DIP et RED) peuvent être combinées dans un processus de récupération non supervisé très efficace tout en évitant la nécessité de différencier le débruiteur choisi, aboutissant ainsi à des résultats très performants, démontrés pour plusieurs problèmes testés.