Les récentes avancées dans Mamba ont montré des résultats prometteurs en matière de restauration d'images. Ces méthodes transforment généralement les images 2D en plusieurs séquences 1D distinctes le long des lignes et des colonnes, traitent chaque séquence indépendamment à l'aide d'une opération de balayage sélectif, puis les recombinent pour former les sorties. Cependant, ce paradigme néglige deux aspects essentiels : i) les relations locales et la continuité spatiale inhérentes aux images naturelles, et ii) les disparités entre les séquences déroulées de manières totalement différentes. Pour surmonter ces inconvénients, nous explorons deux problèmes dans les méthodes de restauration basées sur Mamba : i) comment concevoir une stratégie de balayage préservant à la fois la localité et la continuité tout en facilitant la restauration, et ii) comment agréger les séquences distinctes déroulées de manières totalement différentes. Afin de résoudre ces problèmes, nous proposons un nouveau modèle de restauration d'images basé sur Mamba (MaIR), qui comprend une stratégie de balayage en forme de S imbriquée (NSS) et un bloc d'attention par mélange de séquences (SSA). Plus précisément, NSS préserve la localité et la continuité des images d'entrée grâce à la région de balayage basée sur des bandes et au chemin de balayage en forme de S, respectivement. SSA agrège les séquences en calculant les poids d'attention au sein des canaux correspondants des différentes séquences. Grâce à NSS et SSA, MaIR dépasse 40 méthodes de référence sur 14 jeux de données difficiles, atteignant des performances sans égales dans les tâches de sur-résolution d'images, débruitage, désattribution du flou (deblurring) et suppression du brouillard (dehazing). Le code est disponible à l'adresse suivante : https://github.com/XLearning-SCU/2025-CVPR-MaIR.