La restauration d’images vise à reconstruire une image nette à partir de son équivalent dégradé, un objectif essentiel dans de nombreux domaines. Récemment, les modèles Transformer ont obtenu des performances prometteuses sur diverses tâches de restauration d’images. Toutefois, leur complexité quadratique demeure un obstacle majeur pour leur application pratique. Cette étude vise à développer un cadre efficace et performant pour la restauration d’images. Inspirés du fait que différentes régions d’une image corrompue subissent des degrés variés de dégradation, nous proposons de concentrer davantage l’attention sur les zones critiques pour la reconstruction. À cette fin, nous introduisons un mécanisme de sélection en dual-domain afin de mettre en évidence les informations essentielles pour la restauration, telles que les signaux de contours et les régions difficiles. Par ailleurs, nous divisons les caractéristiques à haute résolution pour intégrer des champs réceptifs multi-échelles dans le réseau, ce qui améliore à la fois l’efficacité et la performance. Enfin, le réseau proposé, nommé FocalNet, est construit en intégrant ces innovations dans une architecture de type U-shaped. Des expériences étendues montrent que notre modèle atteint des performances de pointe sur dix jeux de données pour trois tâches distinctes, notamment le flou de profondeur à image unique, la débrouillardisation d’images et la suppression de neige. Le code source est disponible à l’adresse suivante : https://github.com/c-yn/FocalNet.