JPEG ist einer der am häufigsten verwendeten Standards unter den verlustbehafteten Bildkompressionsmethoden. Dennoch führt die JPEG-Kompression unvermeidlich zu verschiedenen Arten von Artefakten, insbesondere bei hohen Kompressionsraten, was die Qualität der Erfahrung (QoE) erheblich beeinflussen kann. Kürzlich haben Methoden auf Basis von Faltungsneuronalen Netzen (CNN) ausgezeichnete Leistungen bei der Entfernung von JPEG-Artefakten gezeigt. Viele Anstrengungen wurden unternommen, um die CNNs zu vertiefen und tiefere Merkmale zu extrahieren, während relativ wenige Arbeiten sich auf das Rezeptivfeld des Netzes konzentrieren. In dieser Arbeit zeigen wir, dass die Qualität der Ausgabebilder in vielen Fällen durch das Erweitern der Rezeptivfelder erheblich verbessert werden kann. Ein Schritt weiter gehen wir und schlagen ein Dual-Domain Multi-Scale CNN (DMCNN) vor, um Redundanzen sowohl im Pixel- als auch im DCT-Bereich optimal auszunutzen. Experimente belegen, dass DMCNN einen neuen Stand der Technik für die Aufgabe der JPEG-Artefaktentfernung setzt.