La restauration d’images, incluant le débruitage, la super-résolution, le remplissage d’images (inpainting) et autres tâches similaires, constitue un problème largement étudié en vision par ordinateur et en traitement d’images, ainsi qu’un terrain d’expérimentation privilégié pour les algorithmes de modélisation d’images de bas niveau. Dans ce travail, nous proposons un réseau d’auto-encodeur entièrement convolutif très profond pour la restauration d’images, basé sur une architecture d’encodage-décodage comprenant des couches convolutives et déconvolutives symétriques. Autrement dit, le réseau est composé de plusieurs couches d’opérateurs convolutifs et déconvolutifs, qui apprennent des applications end-to-end permettant de passer d’images corrompues aux images originales. Les couches convolutives captent les abstractions des contenus d’image tout en éliminant les perturbations, tandis que les couches déconvolutives permettent d’augmenter la résolution des cartes de caractéristiques et de restaurer les détails fins de l’image. Pour surmonter le problème selon lequel les réseaux plus profonds sont généralement plus difficiles à entraîner, nous proposons d’associer symétriquement les couches convolutives et déconvolutives à l’aide de connexions par saut (skip connections), ce qui accélère considérablement la convergence de l’entraînement et permet d’obtenir des résultats supérieurs.