La plupart des méthodes traditionnelles de déflouage d’image unique antérieures à l’apprentissage profond reposent sur une approche de type grossier-vers-fin, qui consiste à estimer une image nette à une échelle grossière, puis à la raffiner progressivement à des échelles de plus en plus fines. Bien que cette stratégie ait également été adoptée par plusieurs approches fondées sur l’apprentissage profond, des travaux récents ont introduit un nombre croissant de méthodes à échelle unique, démontrant des performances supérieures aux approches grossier-vers-fin précédentes en termes de qualité et de temps de calcul. Dans ce papier, nous revisitons l’approche grossier-vers-fin, et analysons les défauts des méthodes antérieures qui limitent leur performance. À partir de cette analyse, nous proposons MSSNet (Multi-Scale-Stage Network), une nouvelle approche fondée sur l’apprentissage profond pour le déflouage d’image unique, qui intègre nos solutions aux ces défauts. Plus précisément, MSSNet incorpore trois composants techniques novateurs : une configuration par étapes tenant compte des échelles de flou, un schéma de propagation d’information entre échelles, et un schéma multi-échelle basé sur le pixel-shuffle. Nos expérimentations montrent que MSSNet atteint un niveau d’état de l’art en matière de qualité, de taille du réseau et de temps de calcul.