该研究提出了一种基于深度卷积网络的紧凑高效方法来无缝地衰减不同压缩引起的复杂压缩伪影，同时展示了在多个现实场景下该方法的优越表现和适用性。

Apr, 2015

本文证明，通过结合残差学习、skip architecture、对称权重初始化，可以在较短的时间内单步训练 8 层卷积神经网络 (CNN)，并且相比较之前使用的小型网络和其他最先进方法，这种网络可以显著提供更好的 JPEG 压缩噪点减少的重构质量。我们通过评估三种不同的目标、相对于训练数据集大小的泛化和相对于 JPEG 质量水平的泛化来认识 JPEG 去噪中的 CNN。

May, 2016

本研究提出了一种新型的 12 层深度卷积神经网络，用于图像压缩伪影抑制，其具有分层跳过连接和多尺度损失函数。相较于普通的 JPEG，可提高高达 1.79 dB 的峰值信噪比，并且相较于先前最佳 ConvNet 结果提高高达 0.36 dB。该研究表明，训练用于特定质量因子 (QF) 的网络对于压缩输入图像所使用的 QF 是有韧性的，单个针对 QF 60 训练的网络在多种 QF 范围内 (40 至 76) 提供超过 1.5 dB 的 PSNR 增益。

Nov, 2016

本文提出一个 Dual-domain Multi-scale CNN (DMCNN) 用于降噪 JPEG 格式图像，在此基础下扩充了网络的感受野，通过像素和 DCT 域的冗余性进一步提高了输出图像的质量，并在实验中取得了新的技术优势。

Jun, 2018

本文提出一种基于多模态融合学习的文本引导下的 JPEG 压缩伪影降低方法，通过从全局和局部角度融合图像和文本语义特征，并基于对比学习构建对比损失函数，能够在极低码率下有效降低 JPEG 压缩伪影。经过实验证明，该方法能够获得比现有技术更好的降低伪影效果。

May, 2023

本文提出了基于卷积神经网络的图像压缩框架，其中包括用于压缩的紧凑型 CNN 和用于重构压缩图像的重构型 CNN，开发了一种统一的端到端学习算法以有效协同两种 CNN，并与现有的图像编码标准兼容。实验结果表明，所提出的压缩框架大大优于使用现有图像编码标准的多种压缩框架。

Aug, 2017

本研究提出一种基于卷积神经网络的端到端图像压缩框架，通过特征描述神经网络获取低维有效描述，借助标准图像编解码器进一步压缩图像后，再通过后处理神经网络消除失真和压缩留痕，最终通过虚拟编解码器神经网络通过反向传播优化整个系统。实验结果表明该方法在极低比特率下比当前现有算法性能更优。

Dec, 2017

本研究提出了一种高度稳健的压缩伪像去除网络，它是单模型方法，能够训练处理广泛范围的质量因素，并始终提供优秀或相当的图像伪像去除性能。该网络非常有效地利用了量化表作为训练数据的一部分，并具有两个并行分支，一个用于本地伪像去除，另一个用于提取整个图像的全局特征，特别适用于全局伪像去除。大量实验证据表明，本提案的单模型方法非常有效地用于从解码图像中去除压缩伪像。

Sep, 2020

应用深度学习的方法解决在损失图像和视频压缩中提高视觉质量的问题，通过训练一个特定的卷积神经网络，实现对图像语义的理解，并通过对每个对象训练特征的方式生成高质量的压缩图像。

Dec, 2016

提出了一种简单而有效的方案 —— 单次整个网络压缩，以在移动设备上部署深度卷积神经网络，并通过对各种压缩卷积神经网络在智能手机上的性能进行测试，证明了所提方案的有效性，可获得显著的模型尺寸、运行时间和能量消耗的降低，同时只付出了小量精度损失。

Nov, 2015