受容野の大きさと効率性のトレードオフは、低レベル視覚において重要な課題である。通常の畳み込みニューラルネットワーク（CNNs）は、計算コストを犠牲にして受容野を拡大する傾向がある。最近では、この問題に対処するために希薄化フィルタリングが採用されているが、グリッド効果に悩まされ、得られる受容野は入力画像からのスパースサンプリングでチェッカーボードパターンとなる。本論文では、受容野の大きさと計算効率性のトレードオフを改善するための新しい多段ウェーブレットCNN（MWCNN）モデルを提案する。修正されたU-Netアーキテクチャを使用し、ウェーブレット変換が収縮サブネットワークで特徴マップのサイズを縮小するために導入される。さらに、別の畳み込み層が使用されて特徴マップのチャンネル数を減少させる。拡大サブネットワークでは、逆ウェーブレット変換が用いられて高解像度の特徴マップを再構成する。我々のMWCNNはまた、希薄化フィルタリングとサブサンプリングの一般化として説明でき、多くの画像復元タスクに適用できる。実験結果は明確に示しており、MWCNNが画像ノイズ除去、単一画像超解像化、JPEG画像アーティファクト除去において有効であることが確認された。注：「gridding effect」（グリッド効果）、「dilated filtering」（希薄化フィルタリング）、および「JPEG image artifacts removal」（JPEG画像アーティファクト除去）などの専門用語については一般的な日本語訳を使用しました。ただし、「multi-level wavelet CNN (MWCNN)」（多段ウェーブレットCNN (MWCNN)）や「checkerboard patterns」（チェッカーボードパターン）などは比較的新しい用語であり、括弧内に原文を記載して情報の完全性を保っています。