La restauration d’images est une tâche de vision basse niveau visant à restaurer des images dégradées en images sans bruit. Grâce au succès des réseaux neuronaux profonds, les réseaux de neurones convolutionnels ont dépassé les méthodes traditionnelles de restauration et sont devenus la norme dans le domaine de la vision par ordinateur. Pour améliorer les performances des algorithmes de suppression de bruit, nous proposons un réseau de suppression de bruit d’images réelles aveugles (SRMNet) basé sur une architecture hiérarchique améliorée à partir de U-Net. Plus précisément, nous intégrons un noyau sélectif combiné à un bloc résiduel dans la structure hiérarchique, appelée M-Net, afin d’enrichir l’information sémantique multi-échelle. En outre, notre SRMNet obtient des résultats compétitifs sur deux jeux de données synthétiques et deux jeux de données réels bruités, tant en termes de métriques quantitatives que de qualité visuelle. Le code source et le modèle pré-entraîné sont disponibles à l’adresse suivante : https://github.com/TentativeGitHub/SRMNet.