De nombreuses solutions basées sur le deep learning pour le déflouage d’images aveugles estiment la représentation du flou et reconstruisent l’image cible à partir de son observation floue. Toutefois, ces méthodes souffrent d’une dégradation sévère des performances dans des scénarios réels, car elles ignorent des informations a priori importantes concernant le flou de mouvement (par exemple, le flou de mouvement réel est diversifié et variant spatialement). Certaines approches ont tenté d’estimer explicitement des noyaux de flou non uniformes à l’aide de réseaux de neurones convolutifs (CNN), mais l’estimation précise reste un défi en raison de l’absence de vérité terrain pour les noyaux de flou variant spatialement dans les images réelles. Pour surmonter ces limitations, nous proposons de représenter le champ des noyaux de flou de mouvement dans un espace latent à l’aide de flux normaux, et de concevoir des CNN afin de prédire les codes latents plutôt que les noyaux de flou eux-mêmes. Pour améliorer davantage la précision et la robustesse de l’estimation des noyaux non uniformes, nous introduisons un apprentissage de l’incertitude dans le processus d’estimation des codes latents, et proposons un module d’attention multi-échelle pour intégrer de manière plus efficace les caractéristiques d’image avec les noyaux estimés. Des résultats expérimentaux étendus, en particulier sur des jeux de données réels de flou, démontrent que notre méthode atteint des performances de pointe en termes de qualité subjective et objective, ainsi qu’une excellente capacité de généralisation pour le déflouage d’images non uniformes. Le code source est disponible à l’adresse suivante : https://see.xidian.edu.cn/faculty/wsdong/Projects/UFPNet.htm.