Der JPEG-Bildkompressionsalgorithmus ist die beliebteste Methode der Bildkompression aufgrund seiner Fähigkeit, hohe Kompressionsverhältnisse zu erreichen. Allerdings führt die Erreichung solch hoher Kompressionsraten zu Informationsverlusten. Bei aggressiven Quantisierungseinstellungen resultiert dies in einer bemerkbaren Reduktion der Bildqualität. Die Korrektur von Artefakten wurde im Kontext tiefer Neuronaler Netze bereits seit einiger Zeit untersucht, jedoch erfordern die aktuellen Stand-der-Technik-Methoden das Training eines unterschiedlichen Modells für jede Qualitäreinstellung, was ihre praktische Anwendung stark einschränkt. Wir lösen dieses Problem durch die Entwicklung einer neuartigen Architektur, die durch die Quantisierungsmatrix der JPEG-Dateien parametrisiert wird. Dies ermöglicht es unserem einzelnen Modell, über Modelle hinweg, die für spezifische Qualitätsstufen trainiert wurden, den aktuellen Stand der Technik zu erreichen.