最近、畳み込みニューラルネットワーク（Convolutional Neural Network, CNN）は画像復元（Image Restoration, IR）において大きな成功を収め、階層的な特徴を提供しています。しかし、多くの深層CNNベースのIRモデルは、元の低品質画像から得られる階層的な特徴を十分に活用しておらず、そのため相対的に低い性能しか達成できていません。本論文では、この問題を解決するために新しい残差密集ネットワーク（Residual Dense Network, RDN）を提案します。我々はすべての畳み込み層からの階層的な特徴を完全に利用します。具体的には、密接に接続された畳み込み層を通じて豊富な局所特徴を抽出するための残差密集ブロック（Residual Dense Block, RDB）を提案します。RDBはさらに、先行するRDBの状態から現在のRDBのすべての層への直接的な接続を可能とし、連続的なメモリ機構を導入します。より効果的な特徴を先行および現在の局所特徴から適応的に学習し、広いネットワークの学習を安定させるために、RDB内で局所特徴融合（Local Feature Fusion）を行います。全般的な視点から全体的なグローバル階層的特徴を適応的に学習するために、全局所特徴融合（Global Feature Fusion）を使用します。我々は単一画像超解像（Single Image Super-Resolution）、ガウシアンノイズ除去（Gaussian Image Denoising）、圧縮アーティファクト低減（Image Compression Artifact Reduction）、および画像ぼかし除去（Image Deblurring）などの代表的なIRアプリケーションでRDNの有効性を示します。ベンチマークデータセットと実世界データセットでの実験結果は、各IRタスクにおいて定量的および定性的に最先端手法に対して有利な性能が得られることを示しています。