Les schémas grossier-à-finen sont largement utilisés dans le déflouage motionnel d’image unique traditionnel ; toutefois, dans le cadre de l’apprentissage profond, les algorithmes multi-échelles existants nécessitent non seulement l’utilisation de modules complexes pour la fusion des caractéristiques des images RGB à faible échelle et des sémantiques profondes, mais génèrent également manuellement des paires d’images à faible résolution dont la confiance est insuffisante. Dans ce travail, nous proposons un réseau multi-échelle basé sur une entrée unique et plusieurs sorties (SIMO) pour le déflouage motionnel. Cette approche simplifie la complexité des algorithmes fondés sur un schéma grossier-à-finen. Pour atténuer les défauts de restauration affectant les informations détaillées dus à l’architecture multi-échelle, nous combinons les caractéristiques des trajectoires de flou réalistes avec un module d’évolution en ondelettes apprenable afin de mettre l’accent sur la continuité directionnelle et les caractéristiques fréquentielles des transitions progressives entre images floues et images nettes. En conclusion, nous proposons un réseau multi-échelle intégrant une transformation en ondelettes discrètes apprenable (MLWNet), qui atteint des performances de pointe sur plusieurs jeux de données réels de déflouage, tant du point de vue de la qualité subjective et objective que de l’efficacité computationnelle.