尽管图像恢复领域最近取得了显著进展，但最先进（SOTA）方法的系统复杂度也在不断增加，这可能会阻碍方法的便捷分析和比较。在本文中，我们提出了一种简单基线模型，该模型不仅超越了现有的最先进方法，而且计算效率更高。为了进一步简化基线模型，我们发现非线性激活函数（如Sigmoid、ReLU、GELU、Softmax等）并非必要：它们可以用乘法替代或完全移除。因此，我们从基线模型中推导出一种无非线性激活函数的网络，即NAFNet（Nonlinear Activation Free Network）。在多个具有挑战性的基准测试中，NAFNet取得了最先进水平的结果，例如在GoPro数据集上（用于图像去模糊），其PSNR值达到33.69 dB，比之前的最先进方法高出0.38 dB，而计算成本仅为前者的8.4%；在SIDD数据集上（用于图像去噪），其PSNR值达到40.30 dB，比之前的最先进方法高出0.28 dB，且计算成本不到前者的50%。代码和预训练模型已发布在https://github.com/megvii-research/NAFNet。