De nombreuses problématiques fondamentales liées aux images impliquent des opérateurs de déconvolution. La dégradation par flou réelle s'écarte souvent d'un modèle de convolution linéaire idéal en raison de bruit de capteur, de saturation, de compression d'image, entre autres facteurs. Au lieu de modéliser parfaitement les valeurs aberrantes, ce qui s'avère particulièrement difficile du point de vue des modèles génératifs, nous développons un réseau neuronal convolutif profond afin de capturer les caractéristiques de la dégradation. Nous constatons qu'une application directe des réseaux neuronaux profonds existants ne produit pas de résultats satisfaisants. Notre solution consiste à établir un lien entre les méthodes traditionnelles basées sur l'optimisation et une architecture de réseau neuronal, en introduisant une structure nouvelle et séparable, offrant un support fiable pour une déconvolution robuste face aux artefacts. Notre réseau comporte deux sous-modules, tous deux entraînés de manière supervisée avec une initialisation appropriée. Il atteint des performances remarquables dans le cadre de la déconvolution d’images non aveugles, surpassant les méthodes précédentes basées sur des modèles génératifs.