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

本文提出一种卷积神经网络，该网络的特征图在低分辨率空间中提取，使用高效的子像素卷积层将最终的低分辨率特征图升级到高分辨率输出，从而有效地将手工设计的双三次滤波器替换为针对每个特征图训练的更复杂的上采样滤波器，同时降低总体超分辨率操作的计算复杂度。该方法的实验结果表明，它在图像和视频方面的表现都比以前的基于 CNN 的方法好得多，并且速度快了一个数量级。

Sep, 2016

本文提出了一种新的有压缩感知的视频超分辨率模型，旨在恢复高分辨率内容而不引入压缩引起的伪影。该模型包括三个模块：双向循环变形、保留细节的流估计和拉普拉斯增强，针对包含压缩的视频的性质设计实现。经过大量实验，表明该方法不仅能从常用基准数据集中恢复未压缩帧上的高分辨率内容，而且基于许多数量化指标在超分辨压缩视频方面也达到了最先进的性能。

May, 2021

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

通过深度卷积网络的成功在超分辨率方面的成功，该论文提出了一种紧凑有效的网络，用于无缝衰减不同类型的压缩伪影，并证明使用传输学习和易于困难学习的思想可以在低级别视觉问题中实现出色的性能。

Aug, 2016

本文提出了一种基于深度卷积神经网络的端到端训练模型，用于对压缩图像进行超分辨率重建和压缩伪影去除，实验证明该模型在 JPEG 压缩图像上表现出优异的超分辨率性能和比 JPEG 更好的速率 - 失真性能。

Sep, 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

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

本文介绍了一种基于率导向任意重缩放网络 (RARN) 的视频缩放算法，通过迭代优化编码器 (Transformer-based Virtual Codec, TVC) 和 RARN 结构，在不同编码配置和分辨率下实现了 5％-29％BD-Rate 降低，超过了以前的方法。此外，本算法结构轻便，能够以实时速度处理 FHD（1080p）内容并获得相当的费率降低。

Jun, 2023