L'entraînement d'un seul modèle profond aveugle pour gérer différents facteurs de qualité dans la suppression des artefacts d'images JPEG attire une attention considérable en raison de sa commodité pour une utilisation pratique. Cependant, les méthodes profondes aveugles existantes reconstruisent généralement l'image directement sans prédire le facteur de qualité, ce qui réduit leur flexibilité par rapport aux méthodes non aveugles. Pour remédier à ce problème, nous proposons dans cet article un réseau neuronal convolutif aveugle flexible, nommé FBCNN (Flexible Blind Convolutional Neural Network), capable de prédire un facteur de qualité ajustable afin de contrôler l'équilibre entre la suppression des artefacts et la préservation des détails.Plus précisément, FBCNN sépare le facteur de qualité de l'image JPEG grâce à un module de séparation, puis intègre le facteur de qualité prédit au module reconstructeur suivant via un bloc d'attention au facteur de qualité pour un contrôle flexible. De plus, nous avons constaté que les méthodes existantes ont tendance à échouer sur les images JPEG doubles non alignées même avec un décalage d'un seul pixel. Nous proposons donc un modèle de dégradation double JPEG pour augmenter les données d'entraînement.Des expériences approfondies sur des images JPEG simples, des images JPEG doubles plus générales et des images JPEG du monde réel montrent que notre FBCNN proposé offre des performances favorables par rapport aux méthodes les plus avancées actuellement disponibles, tant en termes de métriques quantitatives que de qualité visuelle.