Verlustbehaftete Kompression führt zu komplexen Kompressionsartefakten, insbesondere Blockierungsartefakten, Ringeffekten und Verschmierungen. Bestehende Algorithmen konzentrieren sich entweder auf die Beseitigung von Blockierungsartefakten, was zu verschwommenen Ausgabebildern führt, oder stellen scharfe Bilder wieder her, die jedoch von Ringeffekten begleitet sind. Inspiriert durch tiefe konvolutionale Netzwerke (DCN) für die Super-Resolution formulieren wir ein kompaktes und effizientes Netzwerk zur nahtlosen Dämpfung verschiedener Kompressionsartefakte. Zudem zeigen wir, dass ein tieferes Modell effektiv trainiert werden kann, indem es die in einem flachen Netzwerk erlernten Merkmale nutzt. In Anlehnung an die ähnliche „von einfach zu schwer“-Strategie untersuchen wir systematisch mehrere praktische Transferlernsettings und belegen die Wirksamkeit des Transferlernens bei Aufgaben des niedrigen-Level-Vision. Unser Ansatz erreicht eine überlegene Leistung im Vergleich zu den Stand der Technik sowohl auf Benchmark-Datensätzen als auch in realen Anwendungsfällen (z. B. Twitter). Darüber hinaus zeigen wir, dass unsere Methode als Vorverarbeitung eingesetzt werden kann, um andere Aufgaben im Bereich des niedrigen-Level-Vision zu erleichtern, wenn diese komprimierte Bilder als Eingabe verwenden.