Ce document propose une méthode pour corriger les images déformées par le volet roulant (RS) en estimant directement le flux de distorsion du volet global (GS) au volet roulant (RS). Les méthodes existantes corrigent généralement ces distorsions en utilisant le flux d'indistorsionnement du RS au GS. Elles prévoient initialement le flux à partir de trames RS consécutives, puis rééchangent ce flux comme des champs de déplacement du RS à l'image GS sous-jacente en utilisant des facteurs d'échelle dépendants du temps. Ensuite, elles emploient un redimensionnement avant adapté au RS pour convertir l'image RS en son équivalent GS. Cependant, cette stratégie est sujette à deux inconvénients majeurs. Premièrement, l'estimation du flux d'indistorsionnement devient imprécise lorsqu'on ne fait que rééchelonner linéairement le flux, en raison de la nature complexe et non-linéaire du mouvement. Deuxièmement, le redimensionnement avant adapté au RS entraîne souvent des artefacts inévitables.Pour remédier à ces limitations, nous introduisons un nouveau cadre qui estime directement le flux de distorsion et corrige l'image RS avec une opération de redimensionnement arrière. Plus précisément, nous proposons un mécanisme d'attention basé sur la corrélation globale pour estimer conjointement le flux initial de distorsion et les caractéristiques GS, qui sont ensuite affinés par des couches décodeuses allant du grossier au fin. De plus, une stratégie de prédiction multi-flux de distorsion est intégrée pour atténuer davantage le problème d'estimation imprecise du flux.Les résultats expérimentaux valident l'efficacité de la méthode proposée, qui surpassent les approches les plus avancées sur diverses benchmarks tout en maintenant une haute efficacité. Le projet est disponible à l'adresse \url{https://github.com/ljzycmd/DFRSC}.