La tâche de déflouage d’image est un problème mal posé, car elle admet une infinité de solutions réalisables pour une image floue donnée. Les approches modernes basées sur l’apprentissage profond négligent généralement l’apprentissage des noyaux de flou et recourent directement à un apprentissage supervisé end-to-end. Les jeux de données populaires de déflouage définissent l’étiquette comme l’une des solutions réalisables. Toutefois, nous estimons qu’il n’est pas raisonnable de spécifier directement une étiquette, en particulier lorsque celle-ci est échantillonnée selon une distribution aléatoire. Par conséquent, nous proposons que le réseau apprenne la distribution des solutions réalisables, et, à cette fin, concevons une nouvelle architecture à sorties multiples ainsi qu’une fonction de perte adaptée à l’apprentissage de distribution. Notre approche permet au modèle de produire plusieurs solutions réalisables afin d’approximer la distribution cible. Nous proposons également une nouvelle méthode de multiplexage de paramètres, qui réduit le nombre de paramètres et l’effort computationnel tout en améliorant les performances. Nous avons évalué notre méthode sur plusieurs modèles de déflouage d’image, y compris le modèle de pointe actuel NAFNet. L’amélioration du PSNR global optimal (en choisissant le meilleur score parmi plusieurs sorties pour chaque image de validation) dépasse les méthodes de comparaison de 0,11 à 0,18 dB. L’amélioration du PSNR du meilleur head unique (en sélectionnant le meilleur head parmi plusieurs sur l’ensemble de validation) dépasse les méthodes de comparaison de 0,04 à 0,08 dB. Le code source est disponible à l’adresse suivante : https://github.com/Liu-SD/multi-output-deblur.