Les recherches récentes sur le débruitage d'images ont connu des progrès grâce au développement d'architectures d'apprentissage profond, en particulier les réseaux de neurones convolutifs. Cependant, le débruitage d'images dans le monde réel reste très complexe car il est impossible d'obtenir des paires idéales d'images de référence et d'images bruitées du monde réel. Grâce à la publication récente de jeux de données de référence, l'intérêt de la communauté du débruitage d'images se tourne désormais vers le problème du débruitage dans le monde réel. Dans cet article, nous proposons un réseau dense résiduel groupé (GRDN), qui est une extension et une généralisation de l'architecture actuelle du réseau dense résiduel (RDN). La partie centrale du RDN est définie comme un bloc dense résiduel groupé (GRDB) et utilisé comme module de construction du GRDN. Nous montrons expérimentalement que les performances de débruitage d'images peuvent être considérablement améliorées par la cascade de GRDBs. Outre la conception de l'architecture du réseau, nous développons également une nouvelle méthode de modélisation du bruit dans le monde réel basée sur un réseau génératif antagoniste (GAN). Nous démontrons la supériorité des méthodes proposées en obtenant le meilleur score en termes de rapport signal-bruit sommet (PSNR) et de similarité structurelle (SSIM) lors du Défi NTIRE2019 sur le Débruitage d'Images Réelles - Épreuve 2 : sRGB.