近年、非常に深い畳み込みニューラルネットワーク（CNN）が、画像復元分野において注目を集めている。しかし、ネットワークの深さが増すにつれて、これらの非常に深いモデルでは長期依存性の問題がほとんど認識されておらず、結果として、前の層や状態が後の層にほとんど影響を及ぼさないという課題が生じている。人間の思考には持続性があるという事実に着目し、本研究では、再帰ユニットとゲートユニットから構成されるメモリブロックを導入することで、適応的な学習プロセスを通じて持続的メモリを明示的に抽出する、非常に深い持続的メモリネットワーク（MemNet）を提案する。再帰ユニットは、異なる受容 field を持つ複数のレベルの現在状態の表現を学習する。これらの表現と、前のメモリブロックからの出力を連結し、ゲートユニットに送信する。ゲートユニットは、過去の状態をどれだけ保持すべきかを適応的に制御し、現在の状態をどれだけ保存すべきかを決定する。本手法は、画像のノイズ除去、スーパーレゾリューション、JPEGデブロッキングの3つの画像復元タスクに適用した。包括的な実験により、MemNetの導入の必要性と、最先端手法と比較して3つのタスクにおいて一貫した優位性が確認された。コードは https://github.com/tyshiwo/MemNet にて公開されている。