Plusieurs méthodes basées sur des réseaux neuronaux convolutifs à double domaine montrent des performances exceptionnelles pour la réduction des artefacts de compression d'images. Cependant, elles éprouvent des difficultés à traiter les images couleur car les processus de compression pour les images en niveaux de gris et les images couleur sont complètement différents. De plus, ces méthodes entraînent un modèle spécifique pour chaque qualité de compression et nécessitent plusieurs modèles pour atteindre différentes qualités de compression. Pour résoudre ces problèmes, nous avons proposé un réseau neuronal convolutif à double domaine implicite (IDCN) utilisant une carte d'étiquetage de position des pixels et des tables de quantification comme entrées. Plus précisément, nous avons proposé une unité corrective à double domaine (DCU) basée sur un cadre extracteur-correcteur comme composante fondamentale pour formuler l'IDCN. Un bloc dense a été introduit pour améliorer les performances de l'extracteur dans le DRU. La traduction implicite à double domaine permet à l'IDCN de traiter les images couleur avec des a priori du domaine DCT (Transformée en cosinus discrète). Une version flexible de l'IDCN (IDCN-f) a été développée pour gérer une large gamme de qualités de compression. Les expériences menées pour évaluer objectivement et subjectivement les performances sur des jeux de données de référence montrent que l'IDCN est supérieur aux méthodes actuelles les plus avancées et que l'IDCN-f présente d'excellentes capacités pour gérer une large gamme de qualités de compression avec peu de sacrifices en termes de performance, démontrant ainsi un grand potentiel pour les applications pratiques.