دراسات حديثة استخدمت شبكات العصب الاصطناعية التلافيفية المتبقية العميقة (CNNs) لتقليل تشوهات ضغط الصور بتنسيق JPEG. تقدم هذه الدراسة شبكة تلافيفية قابلة للتوسع تُسمى S-Net. يُعد نهجنا فعالًا في تعديل حجم الشبكة بشكل ديناميكي في نظام متعدد المهام لتحقيق عمليات في الوقت الحقيقي مع خسارة طفيفة في الأداء. يوفر هذا النهج تقنية بسيطة ومباشرة لتقدير المكاسب في الأداء التي يتم الحصول عليها مع زيادة عمق الشبكة، وهو مفيد لإزالة الطبقات الشبكية الزائدة لتعظيم كفاءة الشبكة. قدمنا بناءً معماريًا لشبكتنا باستخدام إطار Keras مع محرك TensorFlow على خادم GPU من نوع NVIDIA K80. قمنا بتدريب نماذجنا على مجموعة بيانات DIV2K وتقييم أدائها على مجموعات بيانات معيارية عامة. لتأكيد عامية وشمولية الطريقة المقترحة، أنشأنا واستخدمنا مجموعة بيانات جديدة تُسمى WIN143 لتقييم الصور المعالجة بشكل زائد. تشير النتائج التجريبية إلى أن نهجنا المقترح يتفوق على الطرق الأخرى القائمة على شبكات CNN ويحقق أداءً رائدًا في المجال (state-of-the-art).