Les méthodes existantes d’apprentissage profond pour le déflouage d’images entraînent généralement les modèles à partir de paires d’images nettes et de leurs versions floues synthétiques. Toutefois, le flou synthétique n’imite pas nécessairement avec suffisante précision le processus réel de flou observé dans des scénarios du monde réel. Pour résoudre ce problème, nous proposons une nouvelle méthode combinant deux modèles GAN, à savoir un GAN d’apprentissage du flou (BGAN) et un GAN d’apprentissage du déflouage (DBGAN), afin d’apprendre un modèle amélioré pour le déflouage en se concentrant principalement sur l’apprentissage de la génération de flou. Le premier modèle, BGAN, apprend à flouter des images nettes à partir d’ensembles non appariés d’images nettes et floues, puis guide le second modèle, DBGAN, pour qu’il apprenne à déflouter correctement ces images. Afin de réduire l’écart entre le flou réel et le flou synthétique, une fonction de perte de flou relativiste est utilisée. En complément, ce travail introduit également un nouveau jeu de données, appelé Real-World Blurred Image (RWBI), comprenant une diversité d’images floues réalistes. Nos expériences montrent que la méthode proposée atteint des performances quantitatives supérieures et une qualité perceptuelle plus élevée, de manière cohérente, sur le jeu de données nouvellement proposé ainsi que sur le jeu de données public GOPRO.