La compression avec perte introduit des artefacts de compression complexes, notamment des artefacts de blocage, des effets de bourdonnement et un flou. Les algorithmes existants se concentrent soit sur l’élimination des artefacts de blocage, au prix d’une sortie floue, soit sur la restauration d’images nettes, mais accompagnées d’effets de bourdonnement. Inspirés par les réseaux convolutionnels profonds (DCN) utilisés pour la super-résolution, nous proposons un réseau compact et efficace permettant une atténuation fluide des différents artefacts de compression. Nous démontrons également qu’un modèle plus profond peut être entraîné efficacement à partir des caractéristiques apprises par un réseau plus léger. Suivant une idée similaire « facile à difficile », nous étudions systématiquement plusieurs configurations pratiques d’apprentissage par transfert et montrons l’efficacité de cette approche dans les problèmes de vision basse-niveau. Notre méthode obtient des performances supérieures aux états de l’art, tant sur des jeux de données standard que dans des cas d’usage réel (par exemple, sur Twitter). En outre, nous illustrons que notre méthode peut être utilisée comme prétraitement afin de faciliter d’autres tâches de vision basse-niveau lorsqu’elles reçoivent en entrée des images compressées.