有损压缩会引入复杂的压缩伪影，尤其是方块伪影、振铃效应和模糊现象。现有的算法要么专注于消除方块伪影，但会导致输出图像模糊；要么恢复出锐化图像，却伴随明显的振铃效应。受超分辨率领域深度卷积网络（DCN）的启发，我们提出了一种紧凑而高效的网络结构，能够无缝地抑制各类压缩伪影。此外，我们证明了在浅层网络所学习特征的基础上，可以有效训练更深的模型。基于类似“由易到难”的思想，我们系统地研究了几种实用的迁移学习设置，并验证了迁移学习在低层视觉任务中的有效性。实验结果表明，我们的方法在基准数据集以及真实应用场景（如Twitter平台）中均优于现有最先进方法。此外，我们还展示了该方法可作为预处理手段，用于提升其他低层视觉任务的性能，尤其当这些任务以压缩图像作为输入时。