图像修复旨在从退化图像中重建出清晰图像，在众多领域中具有重要应用价值。近年来，Transformer模型在多种图像修复任务中取得了令人瞩目的性能表现。然而，其固有的二次方复杂度问题仍使其在实际应用中面临挑战。本文旨在构建一种高效且有效的图像修复框架。受退化图像中不同区域退化程度各异这一现象的启发，我们提出应更加关注对重建至关重要的区域。为此，本文引入了一种双域选择机制，以强化恢复过程中关键信息的表达，例如边缘信号与困难区域。此外，通过将高分辨率特征进行分割，并在网络中嵌入多尺度感受野，进一步提升了模型的效率与性能。最终，本文提出的FocalNet网络通过将上述设计整合至U型主干结构中而构建完成。大量实验结果表明，该模型在三个典型任务（单张图像散焦去模糊、图像去雾、图像去雪）的十个数据集上均达到了当前最优的性能水平。相关代码已开源，地址为：https://github.com/c-yn/FocalNet。