La eliminación de desenfoque por movimiento es un problema mal planteado y desafiante en la restauración de imágenes debido a los desenfoques de movimiento no uniformes. Aunque las recientes redes neuronales convolucionales profundas han logrado avances significativos, muchos métodos existentes adoptan subredes de múltiples escalas o parches que implican un procesamiento adicional entre subredes (por ejemplo, alineación y fusión de características) a través de diferentes escalas o parches, lo que conlleva un costo computacional sustancial. En este artículo, proponemos una nueva red convolucional completamente en cascada y consciente del espacio (FSCNet) que restaura de manera efectiva imágenes nítidas a partir de entradas borrosas, manteniendo un equilibrio favorable entre la calidad de restauración y la eficiencia computacional. La arquitectura propuesta consiste en subredes simples pero efectivas conectadas a través de un módulo de fusión de características completamente en cascada (FCFF), lo que permite la explotación de características diversas y complementarias generadas en cada etapa. Además, diseñamos un bloque ligero consciente del espacio (SAB), cuyo componente central es un módulo de atención espacial ponderada por canal (CWSA). El SAB se integra tanto en el módulo FCFF como en las conexiones de salto, mejorando la fusión de características al enriquecer la representación de detalles espaciales. En el conjunto de datos GoPro, FSCNet alcanza 33.01 dB PSNR y 0.962 SSIM, ofreciendo una precisión comparable o superior a la de métodos de vanguardia como HINet, mientras reduce el tamaño del modelo en casi un 80%. Además, cuando se evalúa el modelo entrenado en GoPro en tres conjuntos de datos de referencia adicionales (HIDE, REDS y RealBlur), FSCNet obtiene el PSNR promedio más alto (29.53 dB) y SSIM (0.903) entre todos los métodos comparados. Esta superioridad constante entre conjuntos de datos resalta la fuerte generalización y robustez de FSCNet bajo diversas condiciones de desenfoque, confirmando que logra un rendimiento de vanguardia con un favorable equilibrio entre rendimiento y complejidad.