التوازن بين حجم المجال الاستقبالي وكفاءة الحوسبة هو مسألة حاسمة في الرؤية الأولية. عادةً ما تزيد الشبكات العصبية التلافيفية البسيطة (CNNs) من حجم المجال الاستقبالي على حساب التكلفة الحوسوبية. مؤخرًا، تم تبني التصفية الممتدة لمعالجة هذه المسألة. ومع ذلك، فإنها تعاني من تأثير الشبكة، وحجم المجال الاستقبالي الناتج يكون فقط عينة نادرة من الصورة الإدخال مع أنماط شطرنجية. في هذا البحث، نقدم نموذج شبكة تلافيفية متعددة المستويات باستخدام التحويل المويجي (MWCNN) لتحقيق توازن أفضل بين حجم المجال الاستقبالي والكفاءة الحوسوبية. باستخدام هيكل U-Net المعدل، يتم تقديم التحويل المويجي لتقليل حجم الخرائط المميزة في الفرع المتقلص. بالإضافة إلى ذلك، يتم استخدام طبقة تلافيفية أخرى لتقليل قنوات الخرائط المميزة. في الفرع الموسع، يتم تنفيذ التحويل المويجي العكسي لإعادة بناء الخرائط المميزة ذات الدقة العالية. يمكن أيضًا شرح شبكتنا MWCNN كتوسعة للتصفية الممتدة والتقليل، ويمكن تطبيقها على العديد من مهام استعادة الصور. تظهر النتائج التجريبية بوضوح فعالية MWCNN في إزالة الضوضاء من الصور، وزيادة دقة الصورة الواحدة، وإزالة تشوهات صور JPEG.