Dans cet article, nous étudions un problème difficile en restauration d’images, à savoir comment concevoir une méthode universelle capable de restaurer des images soumises à divers types et niveaux de dégradations inconnus. À cette fin, nous proposons un réseau de restauration d’images universel, appelé AirNet, composé de deux modules neuronaux : un encodeur de dégradation basé sur la contrastivité (CBDE) et un réseau de restauration guidé par la dégradation (DGRN). Les principaux avantages d’AirNet sont doubles. Premièrement, il s’agit d’une solution universelle permettant de restaurer diverses images dégradées au sein d’un seul réseau. Deuxièmement, AirNet ne repose pas sur des connaissances a priori concernant les types ou les niveaux de corruption, se contentant d’utiliser uniquement l’image dégradée observée pour effectuer l’inférence. Ces deux caractéristiques confèrent à AirNet une flexibilité accrue et une meilleure efficacité économique dans des scénarios réels, où les connaissances a priori sur les dégradations sont difficiles à établir et où celles-ci varient dans l’espace et le temps. Des résultats expérimentaux étendus montrent que la méthode proposée surpasser 17 méthodes de référence en restauration d’images sur quatre jeux de données exigeants. Le code source est disponible à l’adresse suivante : https://github.com/XLearning-SCU/2022-CVPR-AirNet.