損失圧縮は、特にブロッキングアーティファクト、リング効果、ぼかしといった複雑な圧縮アーティファクトを引き起こす。既存の手法は、ブロッキングアーティファクトの除去に焦点を当てており、その結果、出力がぼやけてしまう傾向がある。あるいは、シャープな画像を復元するが、それに伴ってリング効果が生じる。スーパーレゾリューションにおける深層畳み込みネットワーク（DCN）の知見に着想を得て、本研究では異なる圧縮アーティファクトをシームレスに低減する、コンパクトかつ効率的なネットワークを提案する。また、浅層ネットワークで学習された特徴を用いることで、より深いモデルを効果的に訓練可能であることを示した。類似の「簡単な問題から難しい問題へ」というアプローチに従い、実用的な転移学習設定を体系的に検討し、低レベルビジョン問題における転移学習の有効性を実証した。本手法は、ベンチマークデータセットおよび実世界の応用例（例：Twitter）において、既存の最先端手法を上回る性能を示した。さらに、本手法が圧縮画像を入力とする他の低レベルビジョン処理の前処理として利用可能であることも示した。