Dans ce travail sur le débruitage d'image, nous présentons un nouveau type d'estimateurs par patchs inspiré de la méthode des Non Local Means (NL-Means) proposée par Buades, Coll, et Morel et des techniques PAC-Bayésienne étudiées par Dalalyan et Tsybakov. Comme dans les NL-Means, notre approche est basée sur la redondance d'informations contenue dans des patchs proches les uns des autres. Notre estimateur d'un patch donné est une combinaison linéaire des patchs voisins. L'intensité de ces poids dépend de la similarité avec le patch à estimer. Ces poids ne sont pas ceux proposés dans les NL-Means mais issus de la théorie PAC-Bayésienne. Celle-ci permet d'obtenir un estimateur dont la performance théorique est proche de la performance de la meilleure combinaison possible des patchs, modulo un prix à payer pour l'adaptativité de la méthode. Nous présenterons le cadre statistique théorique utilisé et nous définirons précisément l'estimateur que nous avons considéré. L'implémentation numérique de la méthode est obtenue grâce à des techniques de diffusion. En effet, l'estimateur considéré requiert le calcul d'une intégrale en grande dimension dont une approximation est obtenue par l'utilisation d'une diffusion de Langevin. Cette méthode proche des MCMC est bien adaptée à un cadre continu. Pour finir on analysera à la fois les performances de notre méthode d'un point de vu théorique, et l'on illustrera les performances d'un point de vue pratique par des simulations sur quelques images ``classiques``.