Le débruitage d'images aveugle et universel consiste à utiliser un modèle unique capable de débruiter des images quel que soit leur niveau de bruit. Cette approche est particulièrement pratique car elle ne nécessite pas la connaissance des niveaux de bruit lors du développement du modèle ou au moment des tests. Nous proposons un débruiteur d'images basé sur l'apprentissage profond, théoriquement fondé, pour l'élimination du bruit gaussien additif. Notre réseau est basé sur une solution de débruitage optimale, que nous appelons débruitage par fusion. Cette solution est dérivée théoriquement en faisant l'hypothèse d'une distribution gaussienne des images. Des expériences synthétiques montrent la puissance de généralisation de notre réseau face à des niveaux de bruit additif inconnus. Nous adaptons également l'architecture du réseau de débruitage par fusion pour le débruitage d'images réelles. Notre méthode améliore les résultats PSNR (Peak Signal-to-Noise Ratio) du débruitage d'images en niveaux de gris dans le monde réel, tant pour les niveaux de bruit utilisés lors de l'entraînement que pour ceux non vus pendant cette phase. Elle améliore également les performances actuelles en matière de débruitage d'images couleur sur chaque niveau de bruit, avec une moyenne d'amélioration de 0,1 dB, quels que soient les niveaux de bruit utilisés pour l'entraînement.