Dans cet article, nous explorons le rôle de la Normalisation par Instance dans les tâches de vision basse niveau. Plus précisément, nous proposons un nouveau bloc : le Bloc de Normalisation par Instance Moitié (HIN Block), conçu pour améliorer les performances des réseaux de restauration d’images. À partir de ce bloc, nous concevons un réseau simple mais puissant à plusieurs étapes, nommé HINet, composé de deux sous-réseaux. Grâce à l’HIN Block, HINet dépasse l’état de l’art (SOTA) sur diverses tâches de restauration d’images. Pour la suppression de bruit, nous surpassons l’état de l’art de 0,11 dB et 0,28 dB en PSNR sur le jeu de données SIDD, tout en utilisant respectivement seulement 7,5 % et 30 % des opérations de multiplication-accumulation (MACs), avec une accélération de 6,8 fois et 2,9 fois. Pour le flou d’image, nous atteignons une performance comparable avec 22,5 % des MACs et une accélération de 3,3 fois sur les jeux de données REDS et GoPro. Pour la suppression de pluie, nous dépassons l’état de l’art de 0,3 dB en PSNR sur la moyenne des résultats sur plusieurs jeux de données, avec une accélération de 1,4 fois. Grâce à HINet, nous avons remporté la première place du défi NTIRE 2021 – Track 2 : Défloutage d’images, avec un PSNR de 29,70. Le code source est disponible à l’adresse suivante : https://github.com/megvii-model/HINet.