يعد JPEG من أكثر المعايير شيوعًا بين طرق ضغط الصور بخسارة (lossy image compression methods). ومع ذلك، فإن ضغط JPEG يدخل حتماً أنواعًا مختلفة من التشوهات (artifacts)، خاصة عند معدلات الضغط العالية، مما قد يؤثر بشكل كبير على جودة التجربة (Quality of Experience - QoE). في الآونة الأخيرة، أظهرت الطرق المستندة إلى الشبكات العصبية التلافيفية (convolutional neural networks - CNN) أداءً ممتازًا في إزالة تشوهات JPEG. تم بذل الكثير من الجهود لزيادة عمق الشبكات العصبية التلافيفية واستخراج خصائص أعمق، بينما تولى عدد قليل نسبيًا من الأعمال اهتمامًا بمجال الاستقبال (receptive field) للشبكة. في هذا البحث، نوضح أنه يمكن تحسين جودة الصور الخرجية بشكل كبير عن طريق توسيع مجالات الاستقبال في العديد من الحالات. خطوة أخرى للأمام، نقترح شبكتين عصبيتين تلافيفيتين متعددتي المجالات في المجالين الثنائي والدقيق (Dual-domain Multi-scale CNN - DMCNN) للاستفادة الكاملة من الفائض الموجود في كلا المجالين البكسل وDCT. تظهر التجارب أن DMCNN يحدد حالة جديدة رائدة (state-of-the-art) في مهمة إزالة تشوهات JPEG.