Dans ce travail, nous élaborons une stratégie afin d’apprendre une fonction de régularisation pour résoudre des problèmes de restauration d’images. Une fonction de régularisation locale, paramétrée par un réseau de neurones convolutif, est entraînée telle une "critique" entre deux distributions non appariées de patches propres et dégradés, en utilisant un critère d’apprentissage inspiré par les Wasserstein-GAN. La fonction de régularisation globale est ensuite définie comme la valeur moyenne de la fonction locale sur l’ensemble des patches de l’image. L’efficacité de cette méthode est démontrée sur des problèmes de débruitage et de défloutage.