Les dernières approches fondées sur l’apprentissage profond surpassent les méthodes de traitement du signal de pointe dans diverses tâches de restauration d’images. Toutefois, lorsque les images contiennent de nombreux motifs et structures complexes, les performances de ces réseaux de neurones convolutifs (CNN) restent encore insuffisantes. Pour remédier à ce problème, nous proposons ici un nouvel algorithme d’apprentissage résiduel profond dans un espace de caractéristiques, qui dépasse les approches existantes d’apprentissage résiduel. L’idée principale s’inspire de l’observation selon laquelle la performance d’un algorithme d’apprentissage peut être améliorée si les variétés d’entrée et/ou de sortie peuvent être rendues topologiquement plus simples grâce à une application analytique vers un espace de caractéristiques. Nos études numériques étendues, basées sur des expériences de débruitage et sur la compétition NTIRE de super-résolution d’image unique (SISR), démontrent que l’apprentissage résiduel dans l’espace de caractéristiques proposé surpasser les approches actuelles de pointe. En outre, notre algorithme a obtenu la troisième place dans la compétition NTIRE, avec un temps de calcul 5 à 10 fois plus rapide que les équipes classées en tête. Le code source est disponible à l’adresse suivante : https://github.com/iorism/CNN.git