Bien que la profondeur des réseaux de neurones convolutifs ait suscité une attention considérable dans le domaine de l’apprentissage profond, la largeur de ces réseaux a récemment également attiré un intérêt croissant. La largeur des réseaux, définie par la taille des champs réceptifs et la densité des canaux, s’est révélée d’une importance cruciale dans les tâches de vision de bas niveau telles que le débruitage d’images et la restauration. Toutefois, la capacité de généralisation limitée, due à l’augmentation de la largeur des réseaux, constitue un goulot d’étranglement dans la conception de réseaux plus larges. Dans cet article, nous proposons le Deep Regulated Convolutional Network (RC-Net), un réseau profond composé de blocs de sous-réseaux régulés assemblés par des connexions de saut, afin de surmonter ce goulot d’étranglement. Plus précisément, le bloc de convolution régulé (RC-block), caractérisé par une combinaison de filtres de convolution de grande et de petite taille, équilibre l’efficacité de l’extraction de caractéristiques pertinentes et la capacité de généralisation du réseau. Les RC-Nets présentent plusieurs avantages remarquables : ils captent des caractéristiques diversifiées grâce à la combinaison de filtres de grande et de petite taille, atténuent les frontières floues et les détails floutés dans les problèmes de débruitage d’images et de super-résolution, et stabilisent le processus d’apprentissage. Les RC-Nets proposés surpassent significativement les approches de pointe dans diverses tâches de restauration d’images, tout en démontrant une capacité de généralisation prometteuse. Le code est disponible à l’adresse suivante : https://github.com/cswin/RC-Nets.