Les méthodes récentes de pointe en super-résolution ont atteint des performances impressionnantes sur des jeux de données idéaux, indépendamment du flou et du bruit. Toutefois, ces méthodes échouent fréquemment dans le contexte de la super-résolution d’images réelles, car la plupart d’entre elles utilisent une interpolation bicubique simple à partir d’images de haute qualité pour construire des paires d’images à faible résolution (LR) et haute résolution (HR) lors de l’entraînement, ce qui peut entraîner une perte d’informations détaillées liées aux fréquences. Pour remédier à ce problème, nous proposons de concevoir un nouveau cadre de dégradation adapté aux images du monde réel, en estimant divers noyaux de flou ainsi que les distributions réelles de bruit. Grâce à ce cadre de dégradation innovant, nous pouvons générer des images à faible résolution partageant un même domaine avec les images du monde réel. Ensuite, nous introduisons un modèle de super-résolution dédié aux images réelles, visant une meilleure qualité perceptuelle. Des expériences étendues sur des données synthétiques bruitées ainsi que sur des images réelles démontrent que notre méthode surpasse les approches de pointe, offrant un niveau de bruit réduit et une qualité visuelle améliorée. En outre, notre méthode s’est imposée comme gagnante du défi NTIRE 2020 sur les deux catégories du concours de super-résolution dans le monde réel, surpassant nettement ses concurrents avec une marge significative.