In diesem Paper untersuchen wir die Rolle der Instanznormalisierung bei Aufgaben des niedrigen Levels in der Bildverarbeitung. Speziell stellen wir einen neuen Baustein vor: den Half Instance Normalization Block (HIN-Block), um die Leistungsfähigkeit von Bildrekonstruktionsnetzwerken zu steigern. Auf Basis des HIN-Blocks entwerfen wir ein einfaches und leistungsstarkes mehrstufiges Netzwerk namens HINet, das aus zwei Subnetzwerken besteht. Mit Hilfe des HIN-Blocks übertrifft HINet den Stand der Technik (SOTA) bei verschiedenen Aufgaben der Bildrekonstruktion. Bei der Bildrauschunterdrückung erreichen wir auf dem SIDD-Datensatz eine Verbesserung um 0,11 dB und 0,28 dB im PSNR, wobei lediglich 7,5 % bzw. 30 % der Multiplier-Accumulator-Operationen (MACs) des Vergleichsnetzwerks benötigt werden, was einer Beschleunigung um das 6,8- bzw. 2,9-fache entspricht. Bei der Bildunschärfung erzielen wir vergleichbare Ergebnisse mit nur 22,5 % der MACs und einer Beschleunigung um das 3,3-fache auf den Datensätzen REDS und GoPro. Bei der Bildregenentfernung überbieten wir den SOTA um 0,3 dB im durchschnittlichen PSNR über mehrere Datensätze hinweg, wobei eine 1,4-fache Geschwindigkeitssteigerung erreicht wird. Mit HINet gewannen wir den 1. Platz beim NTIRE 2021 Image Deblurring Challenge – Track2 mit einem PSNR von 29,70. Der Quellcode ist unter https://github.com/megvii-model/HINet verfügbar.