मौजूदा CNN-आधारित छवि पुनर्स्थापना विधियों की ब्लैक-बॉक्स प्रकृति और पारदर्शिता की कमी को दूर करने के लिए, यह पत्र मेमोरीनेट का प्रस्ताव करता है, जो तीन अलग-अलग ग्रैन्युलैरिटी वाली मेमोरी परतों को कंट्रास्टिव लर्निंग के साथ जोड़ता है। मेमोरीनेट नमूनों को तीन श्रेणियों में वर्गीकृत करके कंट्रास्टिव लर्निंग करता है: सकारात्मक, नकारात्मक और वास्तविक। मेमोरी परतें छवि की गहरी विशेषताओं को संरक्षित करती हैं, जबकि कंट्रास्टिव लर्निंग सीखी गई विशेषताओं को संतुलित करती है। डेरेन, डेशैडो और डेब्लर कार्यों पर प्रायोगिक परिणाम पुनर्स्थापना प्रदर्शन को बेहतर बनाने में प्रस्तावित विधि की प्रभावशीलता को प्रदर्शित करते हैं। इसके अलावा, प्रस्तावित विधि तीन अलग-अलग गिरावट प्रकारों वाले डेटासेट पर PSNR और SSIM मानों में उल्लेखनीय रूप से सुधार करती है, जो पुनर्स्थापित छवियों की व्यक्तिपरक गुणवत्ता में सुधार प्रदर्शित करती है। स्रोत कोड सार्वजनिक रूप से उपलब्ध है।
