Les systèmes modernes de restauration d'images, malgré les progrès significatifs réalisés, ont souvent du mal à traiter de grandes zones manquantes, des structures géométriques complexes et des images haute résolution. Nous constatons qu'une des principales raisons de ces difficultés est l'absence d'un champ récepteur efficace dans le réseau de restauration et la fonction de perte. Pour atténuer ce problème, nous proposons une nouvelle méthode appelée restauration de masques larges (LaMa). LaMa repose sur : i) une nouvelle architecture de réseau de restauration qui utilise des convolutions rapides de Fourier (FFCs), dotées d'un champ récepteur couvrant toute l'image ; ii) une perte perceptive à grand champ récepteur ; iii) des masques d'entraînement larges, qui débloquent le potentiel des deux premiers composants. Notre réseau de restauration améliore l'état de l'art sur un éventail de jeux de données et obtient d'excellentes performances même dans des scénarios difficiles, par exemple la complétion de structures périodiques. Notre modèle généralise avec une surprise certaine aux résolutions supérieures à celles observées lors de l'entraînement, et atteint cela à moindre coût en termes de paramètres et de temps par rapport aux méthodes baselines concurrentes. Le code est disponible à l'adresse \url{https://github.com/saic-mdal/lama}.