本文探讨了实例归一化（Instance Normalization）在低层视觉任务中的作用。具体而言，我们提出了一种新颖的模块——半实例归一化模块（Half Instance Normalization Block，简称 HIN Block），用于提升图像恢复网络的性能。基于该模块，我们设计了一种简洁而强大的多阶段网络结构——HINet，其由两个子网络组成。借助 HIN Block，HINet 在多种图像恢复任务中均超越了当前最优（SOTA）方法。在图像去噪任务中，我们在 SIDD 数据集上分别以仅 7.5% 和 30% 的乘加操作数（MACs）实现了 0.11 dB 和 0.28 dB 的 PSNR 提升，并分别获得了 6.8 倍和 2.9 倍的加速效果。在图像去模糊任务中，我们在 REDS 和 GoPro 数据集上仅使用其 22.5% 的 MACs 即达到相当的性能，同时实现 3.3 倍的加速。在图像去雨任务中，我们在多个数据集的平均结果上以 1.4 倍的加速实现了 0.3 dB 的 PSNR 提升。凭借 HINet，我们在 NTIRE 2021 图像去模糊挑战赛（Track 2：JPEG 伪影去除）中荣获第一名，取得了 29.70 dB 的 PSNR 成绩。相关代码已开源，地址为：https://github.com/megvii-model/HINet。