Le JPEG est l'une des normes les plus couramment utilisées parmi les méthodes de compression d'images avec perte. Cependant, la compression JPEG introduit inévitablement divers types d'artefacts, en particulier à des taux de compression élevés, ce qui peut considérablement affecter la Qualité d'Expérience (QoE). Récemment, les méthodes basées sur les réseaux neuronaux convolutifs (CNN) ont montré des performances excellentes pour l'élimination des artefacts JPEG. De nombreux efforts ont été déployés pour approfondir les CNN et extraire des caractéristiques plus profondes, tandis que relativement peu de travaux se concentrent sur le champ récepteur du réseau. Dans cet article, nous démontrons que la qualité des images de sortie peut être considérablement améliorée en élargissant les champs récepteurs dans de nombreux cas. Allant un pas plus loin, nous proposons un réseau neuronal convolutif multi-échelle à double domaine (DMCNN) afin d'exploiter pleinement les redondances tant dans le domaine des pixels que dans le domaine DCT. Les expériences montrent que le DMCNN établit un nouveau niveau d'état de l'art pour la tâche d'élimination des artefacts JPEG.