在低层次视觉中，感受野大小与计算效率之间的权衡是一个关键问题。传统的卷积神经网络（CNNs）通常通过增加计算成本来扩大感受野。最近，空洞滤波被采用以解决这一问题。然而，它存在网格效应，导致生成的感受野仅是对输入图像的稀疏采样，呈现出棋盘状图案。本文提出了一种新颖的多级小波CNN（MWCNN）模型，旨在更好地平衡感受野大小与计算效率。通过改进的U-Net架构，在收缩子网络中引入了小波变换以减小特征图的尺寸。此外，还使用了一个额外的卷积层来减少特征图的通道数。在扩展子网络中，则部署了逆小波变换以重建高分辨率特征图。我们的MWCNN可以被视为空洞滤波和下采样的泛化形式，并可应用于多种图像恢复任务。实验结果清楚地表明了MWCNN在图像去噪、单幅图像超分辨率以及JPEG图像伪影去除方面的有效性。