Nous présentons IRNeXt, une architecture de réseau convolutif simple mais efficace pour la restauration d’images. Récemment, les modèles Transformer ont dominé le domaine de la restauration d’images grâce à leur capacité puissante à modéliser les interactions à longue portée entre pixels. Dans ce travail, nous explorons le potentiel des réseaux de neurones convolutifs (CNN) et démontrons que notre modèle basé sur CNN peut atteindre des performances comparables, voire supérieures, à celles des modèles Transformer, tout en présentant une charge computationnelle faible sur plusieurs tâches de restauration d’images. En réexaminant les caractéristiques des algorithmes avancés de restauration d’images, nous identifions plusieurs facteurs clés à l’origine de l’amélioration des performances des modèles. Cela nous a motivés à concevoir un nouveau réseau pour la restauration d’images fondé sur des opérateurs de convolution à faible coût. Des expériences approfondies montrent qu’IRNeXt atteint des performances de pointe sur de nombreuses bases de données, pour diverses tâches de restauration d’images, tout en présenta une complexité computationnelle réduite : débrouillardage d’images, déflouage par défocalisation ou par mouvement à partir d’une seule image, déraining et déneigeage d’images.