粗粒度到细粒度（coarse-to-fine）策略在单张图像去模糊网络的架构设计中得到了广泛应用。传统方法通常采用多尺度输入图像的子网络堆叠结构，从底层子网络逐步提升图像的清晰度至顶层子网络，但这一过程不可避免地带来较高的计算开销。为实现快速且高精度的去模糊网络设计，本文重新审视了粗粒度到细粒度策略，并提出一种多输入多输出U-Net（MIMO-UNet）。该网络具有三个显著特点：首先，MIMO-UNet仅采用单一编码器，接收多尺度输入图像，从而降低训练难度；其次，其单一解码器能够输出多个不同尺度的去模糊图像，仅通过一个U形网络结构即可模拟多级级联U-Net的效果；最后，引入非对称特征融合机制，高效地整合多尺度特征。在GoPro与RealBlur数据集上的大量实验表明，所提出的MIMO-UNet在精度与计算复杂度方面均优于当前最先进的方法。相关源代码已开源，供研究使用，地址为：https://github.com/chosj95/MIMO-UNet。