L’amélioration d’images est considérée comme un problème inverse mal posé en raison de sa tendance à admettre plusieurs solutions. La perte d’information rend difficile la reconstruction précise de l’image d’origine à partir des données observées. En outre, la qualité du résultat dépend souvent de préférences subjectives individuelles, ce qui pose clairement un défi de correspondance un-à-plusieurs. Pour y remédier, nous proposons un modèle d’amélioration bayésien (BEM) qui exploite l’estimation bayésienne pour capturer l’incertitude inhérente et intégrer une variété de sorties possibles. Notre approche, intégrée dans un cadre à deux étapes, utilise d’abord un réseau de neurones bayésien (BNN) pour modéliser des représentations d’images à dimension réduite, suivi d’un réseau déterministe pour une phase de raffinement. Nous introduisons également un prior à moment dynamique afin de surmonter les difficultés de convergence auxquelles les BNN sont souvent confrontés dans des espaces de grande dimension. Des expériences étendues sur plusieurs benchmarks d’amélioration d’images en faible éclairage et sous-marines démontrent l’avantage de notre méthode par rapport aux modèles déterministes traditionnels, en particulier dans des applications réelles ne disposant pas d’images de référence, mettant ainsi en évidence le potentiel des modèles bayésiens pour traiter les problèmes de correspondance un-à-plusieurs.