Una causa común de deterioro en manuscritos históricos es la transparencia de la tinta o el sangrado de la página opuesta. Los filólogos y paleógrafos pueden beneficiarse significativamente al minimizar estas interferencias al intentar descifrar el texto original. Además, el análisis de texto asistido por computadora también puede beneficiarse de dicha mejora del texto. En trabajos anteriores, propusimos el uso de redes neuronales (NN) en combinación con un modelo de datos que caracteriza el daño cuando ambos lados de una página han sido digitalizados. Este enfoque ofrece la ventaja distintiva de permitir la creación de un conjunto de entrenamiento artificial que enseña a la NN a diferenciar entre píxeles limpios y dañados. Probamos este concepto utilizando una red neuronal superficial, que resultó efectiva en la categorización de textos con diferentes niveles de deterioro. En este estudio, adaptamos el diseño de la NN para abordar las incertidumbres de clasificación restantes causadas por áreas de superposición de texto, inhomogeneidad y picos de degradación. Específicamente, introducimos una nueva clase de salida para los píxeles dentro de áreas de texto superpuestas e incorporamos características adicionales relacionadas con la información de contexto del píxel para promover la misma clasificación para píxeles adyacentes entre sí. Nuestros experimentos demuestran que estas mejoras mejoran significativamente la precisión de la clasificación. Esta mejora es evidente en la calidad tanto de la binarización, que ayuda en el análisis de texto, como de la restauración virtual, destinada a recuperar la apariencia original del manuscrito. Las pruebas realizadas en un conjunto de datos público, utilizando índices de calidad estándar, revelan que el método propuesto supera tanto nuestras propuestas anteriores como otros métodos notables encontrados en la literatura.