Bien que les réseaux neuronaux convolutifs profonds (CNNs) aient démontré une capacité extraordinaire à modéliser des bruits spécifiques et à les atténuer, ils continuent de performer de manière médiocre sur des images réelles bruitées. La principale raison est que le bruit dans le monde réel est plus sophistiqué et diversifié. Pour résoudre le problème du débruitage aveugle, cet article propose un nouveau réseau de débruitage d'images réelles en pyramide (PRIDNet), qui comprend trois étapes. Premièrement, l'étape d'estimation du bruit utilise un mécanisme d'attention aux canaux pour recalibrer l'importance des canaux de l'entrée bruitée. Deuxièmement, lors de l'étape de débruitage multi-échelle, la mise en pool en pyramide est utilisée pour extraire des caractéristiques multi-échelle. Troisièmement, l'étape de fusion des caractéristiques adopte une opération de sélection de noyau pour fusionner adaptivement les caractéristiques multi-échelle. Les expériences menées sur deux jeux de données d'images photographiques réelles bruitées montrent que notre approche peut atteindre des performances compétitives par rapport aux débruiteurs les plus avancés actuellement disponibles, tant en termes de mesures quantitatives que de qualité perceptive visuelle. Le code source est disponible à l'adresse suivante : https://github.com/491506870/PRIDNet.