Dans cet article, nous proposons HazeMatching, une technique de correction du voile computationnel permettant de résoudre le problème des données d'images floues issues de microscopes grand champ peu coûteux et accessibles. HazeMatching guide le processus de génération en intégrant les observations floues dans des champs de vitesse conditionnels à l'aide d'un cadre de correspondance de flux conditionnel, visant à trouver un équilibre entre fidélité et réalisme des données. Nous démontrons qu'elle atteint systématiquement cet équilibre en l'évaluant par rapport à sept modèles de référence sur cinq jeux de données contenant des données synthétiques et réelles. De plus, nous vérifions, par une analyse d'étalonnage, que HazeMatching génère des prédictions bien calibrées et peut être facilement appliqué à des données de microscope réelles sans opérateurs de dégradation explicites. Toutes les données et le code sont accessibles au public.
