Les débruiteurs d'images basés sur l'apprentissage discriminatif ont obtenu des performances prometteuses sur des bruits synthétiques tels que le Bruit Gaussien Blanc Additif (BGBA). Les bruits synthétiques utilisés dans la plupart des travaux précédents sont indépendants au niveau des pixels, tandis que les bruits réels sont en majorité spatialement/canalement corrélés et spatialement/canalement variables. Cette divergence de domaine entraîne des performances insatisfaisantes sur les images avec des bruits réels si le modèle n'est formé qu'avec du BGBA. Dans cet article, nous proposons une nouvelle approche pour améliorer les performances d'un débruiteur d'images réelles qui est uniquement formé avec des données de bruit synthétique indépendant au niveau des pixels, dominées par le BGBA. Tout d'abord, nous formons un modèle profond composé d'un estimateur de bruit et d'un débruiteur à partir d'un mélange de BGBA et de Bruit Impulsionnel à Valeurs Aléatoires (BIVA). Nous examinons ensuite la stratégie de Réduction par Mélange de Pixels (RMP) pour adapter le modèle formé aux bruits réels. De nombreuses expériences montrent l'efficacité et la généralisation de notre approche proposée. Notamment, notre méthode atteint des performances de pointe sur les images sRGB réelles du benchmark DND parmi les modèles formés avec des bruits synthétiques. Le code source est disponible à l'adresse suivante : https://github.com/yzhouas/PD-Denoising-pytorch.