Le compromis entre la taille du champ récepteur et l'efficacité est un problème crucial dans la vision de bas niveau. Les réseaux neuronaux convolutifs standards (CNNs) agrandissent généralement le champ récepteur au détriment du coût computationnel. Récemment, le filtrage dilaté a été adopté pour résoudre cette problématique. Cependant, il souffre de l'effet de grille, et le champ récepteur résultant n'est qu'un échantillonnage épars de l'image d'entrée avec des motifs en damier. Dans cet article, nous présentons un nouveau modèle de CNN à ondelettes multirésolution (MWCNN) pour améliorer ce compromis entre la taille du champ récepteur et l'efficacité computationnelle. Grâce à une architecture U-Net modifiée, la transformation en ondelettes est introduite pour réduire la taille des cartes de caractéristiques dans le sous-réseau contractant. De plus, une autre couche convolutive est utilisée pour diminuer le nombre de canaux des cartes de caractéristiques. Dans le sous-réseau expansif, la transformation inverse en ondelettes est ensuite déployée pour reconstruire les cartes de caractéristiques à haute résolution. Notre MWCNN peut également être interprété comme une généralisation du filtrage dilaté et du sous-échantillonnage, et peut être appliqué à de nombreuses tâches de restauration d'images. Les résultats expérimentaux montrent clairement l'efficacité du MWCNN pour le débruitage d'images, la sur-résolution monoscopique et l'élimination des artefacts d'images JPEG.