Dans le domaine du défloutage d'images uniques, le schéma « grossier à fin » (coarse-to-fine), qui consiste à restaurer progressivement l'image nette à différentes résolutions dans une pyramide, s'est avéré très efficace tant dans les méthodes traditionnelles basées sur l'optimisation que dans les approches récentes fondées sur les réseaux neuronaux. Dans cet article, nous examinons cette stratégie et proposons un Réseau récurrent d'échelle (Scale-recurrent Network, SRN-DeblurNet) pour la tâche de défloutage. Comparé aux nombreuses approches basées sur l'apprentissage récent mentionnées dans [25], notre méthode présente une structure de réseau plus simple, un nombre moindre de paramètres et est plus facile à entraîner. Nous évaluons notre méthode sur des ensembles de données de grande ampleur comportant des mouvements complexes. Les résultats montrent que notre méthode produit des résultats de meilleure qualité que les états de l'art, tant quantitativement que qualitativement.