La modélisation et la synthèse du bruit d'image constituent un aspect important de nombreuses applications en vision par ordinateur. Les modèles de bruit additif blanc gaussien et hétéroscédastique (dépendant du signal), largement utilisés dans la littérature depuis longtemps, ne fournissent qu'une approximation grossière du bruit réel des capteurs. Cet article introduit Noise Flow, un modèle de bruit puissant et précis basé sur les architectures de flux normalisant récentes. Noise Flow combine des modèles de bruit paramétriques fondamentaux bien établis (par exemple, le bruit dépendant du signal) avec la flexibilité et l'expressivité des réseaux de flux normalisant. Le résultat est un modèle de bruit unique, complet et compact contenant moins de 2500 paramètres, mais capable de représenter plusieurs caméras et facteurs de gain. Noise Flow surpasse considérablement les modèles de bruit existants, avec une amélioration de 0,42 nats/pixel par rapport aux fonctions de niveau de bruit calibrées pour la caméra, ce qui se traduit par une amélioration de 52 % de la probabilité du bruit échantillonné. Noise Flow représente la première tentative sérieuse pour aller au-delà des modèles paramétriques simples vers un modèle qui exploite la puissance de l'apprentissage profond et des distributions de bruit guidées par les données.