في الآونة الأخيرة، لاقت الشبكات العصبية التلافيفية العميقة جدًا (CNNs) اهتمامًا كبيرًا في مجال استعادة الصور. ومع ذلك، مع زيادة عمق النموذج، يُهمل غالبًا مشكلة الاعتماد طويل الأمد في هذه النماذج العميقة جدًا، مما يؤدي إلى أن تكون الحالات/الطبقات السابقة ذات تأثير ضئيل على الطبقات اللاحقة. مستمدًا من حقيقة أن التفكير البشري يتميز بالاستمرارية، نقترح شبكة ذاكرة مستمرة عميقة جدًا تُعرف بـ (MemNet)، والتي تُدخل وحدة ذاكرة تتكون من وحدة تكرارية ووحدة ممر (Gate Unit) لاستخراج الذاكرة المستمرة بشكل صريح من خلال عملية تعلم تكيفية. تتعلم الوحدة التكرارية تمثيلات متعددة المستويات للحالة الحالية ضمن مجالات استقبال مختلفة. ثم تُدمج هذه التمثيلات مع مخرجات وحدات الذاكرة السابقة، وتُرسل إلى وحدة الممر، التي تتحكم بشكل تكيفي في كمية الحالات السابقة التي يجب الاحتفاظ بها، وتحدد كمية الحالة الحالية التي ينبغي تخزينها. تم تطبيق MemNet على ثلاث مهام استعادة صور، ألا وهي: إزالة الضوضاء من الصور، ورفع الدقة (Super-resolution)، وإزالة تأثيرات تقطيع JPEG. أظهرت التجارب الشاملة ضرورة استخدام MemNet، فضلًا عن تفوقها المتفق عليه على جميع المهام الثلاث مقارنةً بأفضل النماذج الحالية. يمكن الوصول إلى الكود من خلال الرابط التالي: https://github.com/tyshiwo/MemNet.