Pour remédier au caractère « boîte noire » et au manque de transparence des méthodes de restauration d'images existantes basées sur les CNN, cet article propose MemoryNet, qui combine des couches mémoire de trois granularités différentes avec un apprentissage contrastif. MemoryNet effectue un apprentissage contrastif en classant les échantillons en trois catégories : positive, négative et réelle. Les couches mémoire préservent les caractéristiques profondes de l'image, tandis que l'apprentissage contrastif équilibre les caractéristiques apprises. Les résultats expérimentaux sur les tâches Derain, Deshadow et Deblur démontrent l'efficacité de la méthode proposée pour améliorer les performances de restauration. De plus, la méthode proposée améliore significativement les valeurs PSNR et SSIM sur des ensembles de données présentant trois types de dégradation différents, démontrant une amélioration de la qualité subjective des images restaurées. Le code source est accessible au public.
