Ce document présente une approche basée sur les équations différentielles stochastiques (EDS) pour la restauration d'images à des fins générales. La construction clé consiste en une EDS à retour vers la moyenne qui transforme une image de haute qualité en une version dégradée, cette dernière étant l'état moyen avec un bruit gaussien fixe. Ensuite, en simulant l'EDS correspondante dans le sens inverse du temps, nous sommes capables de restaurer l'origine d'une image de faible qualité sans nous appuyer sur aucune connaissance préalable spécifique à la tâche. De manière cruciale, l'EDS proposée à retour vers la moyenne possède une solution sous forme fermée, ce qui nous permet de calculer le score dépendant du temps de la vérité terrain et de l'apprendre avec un réseau neuronal. De plus, nous proposons un objectif de vraisemblance maximale pour apprendre une trajectoire inverse optimale qui stabilise l'entraînement et améliore les résultats de restauration. Les expériences montrent que notre méthode proposée atteint des performances hautement compétitives dans les comparaisons quantitatives sur le dépluie (image deraining), le défloutage (deblurring) et le débruitage (denoising) d'images, établissant un nouveau niveau d'excellence sur deux jeux de données de dépluie. Enfin, la polyvalence générale de notre approche est davantage illustrée par des résultats qualitatifs sur le suréchantillonnage d'images (super-resolution), le remplissage (inpainting) et la désaturation (dehazing). Le code est disponible à l'adresse https://github.com/Algolzw/image-restoration-sde.