Des études récentes ont utilisé des réseaux de neurones convolutifs (CNN) à résidus profonds pour la réduction des artefacts de compression JPEG. Cette étude propose un CNN évolutif appelé S-Net. Notre approche ajuste efficacement l'échelle du réseau de manière dynamique dans un système multitâches pour une opération en temps réel avec une perte de performance minimale. Elle offre une technique simple et directe pour évaluer les gains de performance obtenus avec l'augmentation de la profondeur du réseau, et elle est utile pour supprimer les couches de réseau redondantes afin d'optimiser au maximum l'efficacité du réseau. Nous avons mis en œuvre notre architecture en utilisant le cadre Keras avec le backend TensorFlow sur un serveur GPU NVIDIA K80. Nous avons formé nos modèles sur l'ensemble de données DIV2K et évalué leurs performances sur des ensembles de données de référence publics. Pour valider la généralité et l'universalité de la méthode proposée, nous avons créé et utilisé un nouveau jeu de données appelé WIN143, destiné à l'évaluation des images surentraitées. Les résultats expérimentaux indiquent que notre approche proposée surpasses d'autres méthodes basées sur les CNN et atteint des performances d'état de l'art.