손실 압축(lossy compression)은 특히 블록 현상(blocking artifacts), 링잉 효과(ringing effects) 및 흐림(blurring)과 같은 복잡한 압축 아티팩트를 도입합니다. 기존 알고리즘들은 블록 현상을 제거하는 것에 초점을 맞추어 흐린 결과물을 생성하거나, 링잉 효과가 동반되는 날카로운 이미지를 복원하는 경향이 있습니다. 초해상도(super-resolution)에서의 딥 컨볼루셔널 네트워크(deep convolutional networks, DCN)를 통해 영감을 받아, 우리는 다양한 압축 아티팩트를 원활하게 감소시키는 컴팩트하고 효율적인 네트워크를 설계하였습니다. 또한, 얕은 네트워크에서 학습된 특성을 이용하여 더 깊은 모델을 효과적으로 훈련할 수 있음을 보여주었습니다. 유사한 "쉬움에서 어려움으로(easy to hard)"라는 아이디어에 따라, 우리는 여러 가지 실용적인 전이 설정(transfer settings)을 체계적으로 조사하였으며, 저수준 시각 문제(low-level vision problems)에서 전이 학습(transfer learning)의 유효성을 입증하였습니다. 우리의 방법은 벤치마크 데이터셋과 실제 사용 사례(예: 트위터(Twitter))에서 최신 기술(state-of-the-arts)보다 우수한 성능을 보입니다. 또한, 압축된 이미지를 입력으로 사용할 때 다른 저수준 시각 처리 과정을 촉진하기 위한 전처리(pre-processing) 단계로 우리의 방법이 적용될 수 있음을 보여주었습니다.