摘要
有损压缩引入了复杂的压缩伪影，尤其是块效应、振铃效应和模糊。现有的算法要么专注于消除块效应但产生模糊输出，要么恢复锐化的图像却伴随有振铃效应。受超分辨率领域深度卷积网络（DCN）的启发，我们设计了一个紧凑且高效的网络，以无缝减弱各种压缩伪影。我们还证明了可以利用浅层网络学习到的特征有效地训练更深的模型。基于类似的“从易到难”的思想，我们系统地研究了几种实际的迁移设置，并展示了迁移学习在低级视觉问题中的有效性。我们的方法在基准数据集和现实世界应用（例如Twitter）中均表现出优于现有最先进方法的性能。此外，我们还表明，当其他低级视觉任务以压缩图像作为输入时，我们的方法可以用作预处理步骤来促进这些任务的执行。