Récemment, les réseaux neuronaux convolutifs très profonds (CNN) ont attiré une attention croissante dans le domaine du traitement d’images. Toutefois, à mesure que la profondeur des modèles augmente, le problème de la dépendance à long terme reste rarement pris en compte, ce qui entraîne une faible influence des états ou couches antérieures sur les suivantes. Inspirés du fait que la pensée humaine présente une certaine persistance, nous proposons un réseau très profond à mémoire persistante, appelé MemNet, qui introduit un bloc mémoire composé d’une unité récursive et d’une unité de porte afin d’extraire explicitement la mémoire persistante via un processus d’apprentissage adaptatif. L’unité récursive apprend des représentations multi-niveaux de l’état actuel sous différentes champs réceptifs. Ces représentations, combinées aux sorties des blocs mémoire précédents, sont envoyées à l’unité de porte, qui contrôle de manière adaptative la quantité d’informations provenant des états antérieurs à conserver, ainsi que la quantité d’information de l’état actuel à stocker. Nous appliquons MemNet à trois tâches de restauration d’images : le débruitage, la super-résolution et le déblocage JPEG. Des expériences approfondies démontrent la nécessité de MemNet ainsi que son avantage incontestable sur les trois tâches par rapport aux méthodes les plus avancées de l’état de l’art. Le code est disponible à l’adresse suivante : https://github.com/tyshiwo/MemNet.