Le manque de jeux de données réels à grande échelle d’images brutes (raw) sans bruit pose un défi majeur pour la synthèse de bruit réaliste sur images brutes, nécessaire à l’entraînement des modèles de débruitage. Toutefois, le bruit réel observé dans les images brutes provient de multiples sources et varie considérablement d’un capteur à l’autre. Les méthodes existantes peinent à modéliser de manière précise toutes ces sources de bruit, et la construction d’un modèle de bruit spécifique à chaque capteur s’avère extrêmement fastidieuse. Dans cet article, nous proposons une nouvelle approche pour la synthèse de bruit, fondée sur un échantillonnage direct du bruit réel fourni par le capteur. Cette méthode génère naturellement un bruit d’image brute précis pour différents capteurs photographiques. Deux techniques efficaces et génériques sont introduites : l’échantillonnage par patch aligné selon le motif (pattern-aligned patch sampling) pour une synthèse fidèle du bruit corrélé spatialement, et la reconstruction à haut bit (high-bit reconstruction) pour capturer précisément le bruit à haut niveau de précision. Des expériences systématiques sont menées sur les jeux de données SIDD et ELD. Les résultats démontrent que : (1) notre méthode surpasser les approches existantes et présente une généralisation étendue sur divers capteurs et conditions d’éclairage ; (2) les conclusions récentes issues des méthodes de modélisation du bruit basées sur les réseaux de neurones profonds (DNN) reposent en réalité sur des paramètres de bruit inexactes ; les méthodes DNN ne parviennent toujours pas à dépasser les méthodes statistiques fondées sur la physique.