L'algorithme de compression d'images JPEG est la méthode la plus populaire de compression d'images en raison de sa capacité à atteindre des taux de compression élevés. Cependant, pour obtenir une telle compression, des informations sont perdues. Pour des paramètres de quantification agressifs, cela entraîne une réduction notable de la qualité des images. La correction des artefacts a été étudiée dans le contexte des réseaux neuronaux profonds depuis plusieurs années, mais les méthodes actuelles les plus performantes nécessitent l'entraînement d'un modèle différent pour chaque paramètre de qualité, ce qui limite considérablement leur application pratique. Nous résolvons ce problème en créant une architecture novatrice qui est paramétrée par la matrice de quantification des fichiers JPEG. Cela permet à notre unique modèle d'atteindre des performances équivalentes à celles des modèles entraînés pour des paramètres de qualité spécifiques.