Groß-zu-klein-Schemata werden in der traditionellen Einzelbild-Bewegungsunschärfung weit verbreitet eingesetzt; in der Tiefe Lernumgebung erfordern jedoch bestehende Multi-Skalen-Algorithmen neben der Verwendung komplexer Module zur Merkmalsfusion von niedrigskaligen RGB-Bildern und tiefen Semantiken zudem manuell generierte Paare von Niedrigauflösungsbildern, die nicht ausreichend zuverlässig sind. In dieser Arbeit schlagen wir ein Multi-Skalen-Netzwerk basierend auf einem einzigen Eingang und mehreren Ausgängen (SIMO) für die Bewegungsunschärfung vor, wodurch die Komplexität von Algorithmen auf Basis eines Groß-zu-klein-Schemas erheblich reduziert wird. Um die durch die Verwendung einer Multi-Skalen-Architektur verursachten Restaurationsfehler, die die Detailinformationen beeinträchtigen, zu mildern, kombinieren wir die Eigenschaften realwelttypischer Unschärfeträjektorien mit einem lernbaren Wavelet-Transformationsmodul, um die räumliche Kontinuität und Frequenzmerkmale der schrittweisen Übergänge zwischen unscharfen und scharfen Bildern gezielt zu erfassen. Abschließend präsentieren wir ein Multi-Skalen-Netzwerk mit einem lernbaren diskreten Wavelet-Transformationsmodul (MLWNet), das sowohl in Bezug auf subjektive und objektive Qualität als auch auf Rechen-effizienz herausragende Leistung auf mehreren realen Deblurring-Datensätzen erzielt.