图像恢复任务在重建图像时，需要在空间细节与高层上下文信息之间实现复杂的平衡。本文提出一种新颖的协同设计，能够最优地协调这些相互竞争的目标。我们的核心思想是一种多阶段架构，通过逐步学习退化输入的恢复函数，将整体恢复过程分解为更易处理的步骤。具体而言，模型首先利用编码器-解码器结构学习上下文特征，随后将其与保留局部信息的高分辨率分支进行融合。在每一阶段，我们引入一种新颖的逐像素自适应设计，利用就地监督注意力机制对局部特征进行重新加权。此类多阶段架构的关键在于不同阶段之间的信息交互。为此，我们提出一种双面策略：信息不仅沿时间顺序从早期阶段向后期阶段传递，而且特征处理模块之间还存在横向连接，以避免信息丢失。由此构建的紧密耦合的多阶段架构被命名为MPRNet，在涵盖图像去雨、去模糊和去噪等多种任务的十个数据集上均展现出显著的性能提升。源代码与预训练模型已公开，可访问 https://github.com/swz30/MPRNet。