La formation des méthodes d’affinement basées sur l’apprentissage exige une quantité considérable de paires d’images floues et nettes. Malheureusement, les jeux de données synthétiques existants ne sont pas assez réalistes, et les modèles d’affinement entraînés sur ces derniers peinent à traiter efficacement les images floues réelles. Bien que des jeux de données réels aient récemment été proposés, ils offrent une diversité limitée de scènes et de paramètres d’appareil photo, et la collecte de données réelles pour des configurations variées reste un défi. Pour résoudre ce problème, cet article analyse divers facteurs susceptibles d’expliquer les différences entre les images floues réelles et synthétiques. À cette fin, nous présentons RSBlur, un nouveau jeu de données comprenant des images floues réelles ainsi que les séquences d’images nettes correspondantes, permettant une analyse détaillée des écarts entre le flou réel et le flou synthétique. Grâce à ce jeu de données, nous mettons en évidence l’impact de différents facteurs dans le processus de génération du flou. Sur la base de cette analyse, nous proposons également une nouvelle pipeline de synthèse de flou, capable de produire des flous plus réalistes. Nous démontrons que notre pipeline de synthèse améliore significativement les performances des modèles d’affinement sur des images floues réelles.