Le défloutage vidéo a connu des progrès remarquables grâce au succès des réseaux neuronaux profonds. La plupart des méthodes résolvent le problème du défloutage de manière globale, avec une propagation limitée d'informations provenant de la séquence vidéo. Cependant, différentes régions d'une image présentent des caractéristiques distinctes et devraient être fournies avec des informations pertinentes correspondantes. Pour atteindre un défloutage à grain fin, nous avons conçu une branche mémoire pour mémoriser les paires de caractéristiques floues-nettes dans une banque de mémoire, offrant ainsi des informations utiles pour l'entrée de requête floue. Afin d'enrichir la mémoire de notre banque de mémoire, nous avons également élaboré une stratégie de récurrence bidirectionnelle et multi-échelle basée sur cette banque. Les résultats expérimentaux montrent que notre modèle surpassе les autres méthodes de pointe tout en maintenant une faible complexité du modèle et un temps d'inférence court. Le code est disponible à l'adresse suivante : https://github.com/jibo27/MemDeblur.