畳み込みニューラルネットワークの深さは深層学習研究において長年にわたり注目を集めてきたが、近年ではネットワークの幅（width）に注目が集まっている。ネットワークの幅とは、受容 field のサイズおよびチャネル密度を指し、画像のノイズ除去や復元といった低レベルビジョンタスクにおいて極めて重要な役割を果たすことが示されている。しかしながら、ネットワークの幅が増大することで生じる一般化能力の低下は、より幅広いネットワーク設計におけるボトルネックとなっている。本論文では、スキップ接続によって直列に接続された制御されたサブネットワークブロックから構成される、深層制御畳み込みネットワーク（RC-Net）を提案する。特に、大規模と小規模の畳み込みフィルタの組み合わせを特徴とする制御畳み込みブロック（RCブロック）は、顕著な特徴抽出能力とネットワークの一般化能力のバランスを実現する。RC-Netの主な利点は以下の通りである：大規模・小規模フィルタの組み合わせにより多様な特徴を捉え、画像のノイズ除去および超解像における曖昧な境界やぼやけた細部の問題を緩和し、学習プロセスの安定性を高める。提案するRC-Netは、さまざまな画像復元タスクにおいて最先端の手法を顕著な性能向上で上回り、有望な一般化能力を示している。実装コードは https://github.com/cswin/RC-Nets にて公開されている。