Este documento propone una nueva estructura de red neuronal para el procesamiento de imágenes cuyas capas convolucionales, en lugar de utilizar núcleos con coeficientes fijos, utilizan coeficientes variados en el espacio. La adopción de esta estrategia permite que el sistema adapte su comportamiento según las características espaciales de los datos de entrada. Este tipo de capas realiza, como demostramos, una función de transferencia no lineal. Las características generadas por estas capas, en comparación con las generadas por las capas canónicas de CNN, son más complejas y más adecuadas para ajustarse a las características locales de las imágenes. Las redes compuestas por estas capas no lineales ofrecen un rendimiento comparable o superior a las que utilizan Redes Convolucionales canónicas, utilizando menos capas y un número significativamente menor de características. Se analizan varias aplicaciones de estas redes recién concebidas para problemas clásicos de procesamiento de imágenes. En particular, consideramos: Super-Resolución de Imagen Única (SISR), Suavizado Preservador de Bordes (EPS), Eliminación de Ruido (NR) y Eliminación de Artefactos JPEG (JAR).