Le déflouage d’images vise à éliminer les flous indésirables présents dans une image capturée dans une scène dynamique. De nombreuses recherches se sont concentrées sur l’amélioration des performances du déflouage grâce à des architectures de modèles innovantes. Toutefois, peu d’efforts ont été consacrés à l’augmentation des données pour le déflouage d’images. Étant donné que le mouvement continu engendre des artefacts flous pendant l’exposition de l’image, nous nous efforçons de développer une méthode révolutionnaire d’augmentation du flou, capable de générer des images floues diversifiées en simulant des trajectoires de mouvement dans un espace continu. Ce papier propose ID-Blau (Implicit Diffusion-based reBLurring AUgmentation), une méthode qui utilise une image nette associée à une carte de condition de flou contrôlable pour produire une image floue correspondante. Nous paramétrons les motifs de flou d’une image floue en les représentant sous forme de carte de condition de flou pixel par pixel, en fonction de leurs orientations et de leurs intensités, afin de simuler des trajectoires de mouvement et de les représenter implicitement dans un espace continu. En échantillonnant diverses conditions de flou, ID-Blau permet de générer des images floues variées, non présentes dans l’ensemble d’entraînement. Les résultats expérimentaux montrent que ID-Blau peut produire des images floues réalistes pour l’entraînement, améliorant ainsi significativement les performances des modèles de déflouage d’état de l’art. Le code source est disponible à l’adresse suivante : https://github.com/plusgood-steven/ID-Blau.