Alors que les dernières années ont vu une forte augmentation de l’utilisation des réseaux neuronaux profonds pour résoudre le problème du débruitage d’images, les méthodes existantes reposent principalement sur des hypothèses de bruit simples, telles que le bruit additif blanc gaussien (AWGN), le bruit de compression JPEG ou le bruit des capteurs photoélectriques, et une méthode générale de débruitage aveugle applicable aux images réelles reste encore non résolue. Dans cet article, nous tentons de résoudre ce problème sous l’angle de la conception d’architecture de réseau et de la synthèse de données d’entraînement. Plus précisément, concernant la conception d’architecture, nous proposons un bloc Swin-Conv qui intègre à la fois la capacité de modélisation locale du bloc de convolution résiduelle et la capacité de modélisation non locale du bloc Swin Transformer, puis nous l’intégrons comme bloc de base principal dans l’architecture UNet, largement utilisée pour les tâches de translation image à image. En ce qui concerne la synthèse des données d’entraînement, nous avons conçu un modèle pratique de dégradation par bruit prenant en compte divers types de bruit (gaussien, poisson, speckle, compression JPEG, bruit provenant de capteurs photoélectriques traités) ainsi que le redimensionnement, et intégrant également une stratégie de mélange aléatoire et une stratégie de double dégradation. Des expériences étendues sur le retrait du bruit AWGN et le débruitage d’images réelles démontrent que la nouvelle architecture de réseau atteint des performances de pointe, tandis que le nouveau modèle de dégradation permet d’améliorer significativement la praticabilité. Nous pensons que ce travail peut offrir des perspectives utiles pour la recherche actuelle en débruitage d’images.