Neueste Studien haben tiefgreifende residuelle Faltungsneuronale Netze (CNNs) zur Reduzierung von JPEG-Kompressionsartefakten eingesetzt. Diese Studie schlägt ein skalierbares CNN vor, das als S-Net bezeichnet wird. Unser Ansatz passt die Netzwerkgröße dynamisch in einem Multitask-System an, um in Echtzeit zu operieren, wobei der Leistungsverlust minimal gehalten wird. Er bietet eine einfache und direkte Methode zur Bewertung der Leistungsgewinne, die durch eine erhöhte Netzwerktiefe erzielt werden, und ist hilfreich bei der Entfernung redundanter Netzwerkschichten, um die Netzwerkeffizienz zu maximieren. Wir implementieren unsere Architektur unter Verwendung des Keras-Frameworks mit dem TensorFlow-Backend auf einem NVIDIA K80 GPU-Server. Unsere Modelle werden auf dem DIV2K-Datensatz trainiert und ihre Leistung auf öffentlichen Benchmark-Datensätzen evaluiert. Um die Allgemeingültigkeit und Universalität der vorgeschlagenen Methode zu überprüfen, haben wir einen neuen Datensatz erstellt und genutzt, den wir WIN143 nennen, für die Bewertung von überverarbeiteten Bildern. Experimentelle Ergebnisse zeigen, dass unser vorgeschlagener Ansatz anderen CNN-basierten Methoden überlegen ist und eine Spitzenleistung erzielt.