Die meisten herkömmlichen Methoden zur Einzelbild-Entschärfung vor der Einführung tiefer Lernverfahren basierten auf einem Grob-zu-Fein-Schema, bei dem zunächst ein scharfes Bild auf einer groben Skala geschätzt und anschließend schrittweise auf feineren Skalen verfeinert wurde. Obwohl dieses Schema auch in mehreren tiefen Lernbasierten Ansätzen übernommen wurde, haben in letzter Zeit eine Reihe von Einzelskala-Ansätzen vorgestellt werden, die sowohl in Bezug auf Bildqualität als auch auf Rechenzeit die vorherigen Grob-zu-Fein-Verfahren übertrifft. In dieser Arbeit untersuchen wir erneut das Grob-zu-Fein-Schema und analysieren die Defizite früherer Grob-zu-Fein-Ansätze, die deren Leistung beeinträchtigen. Auf Basis dieser Analyse stellen wir den Multi-Scale-Stage-Netzwerk (MSSNet) vor, einen neuartigen tiefen Lernansatz zur Einzelbild-Entschärfung, der unsere Korrekturen dieser Defizite implementiert. Konkret integriert MSSNet drei neuartige technische Komponenten: eine Stufenkonfiguration, die die Verschmierungsgrade berücksichtigt, ein Informationsübertragungsverfahren zwischen Skalen sowie eine auf Pixel-Shuffle basierende Mehrskalenstruktur. Unsere Experimente zeigen, dass MSSNet die derzeit beste Leistung in Bezug auf Bildqualität, Netzwerkgröße und Rechenzeit erzielt.