联合图像专家组(Joint Photographic Experts Group,JPEG)在高压缩比的情况下,解压缩后的图像会产生块效应、边缘振荡效应和模糊,严重影响了图像的视觉效果。为了有效地去除JPEG压缩伪迹,该文基于深度学习的JPEG压缩伪迹去除方法展开研究,具体研究内容如下:首先,将JPEG压缩的先验与卷积神经网络相结合,即在简单的卷积神经网络后加入量化约束,以确保经卷积神经网络输出的图像得到更可靠的估计。该方法将每次收敛时网络的输出图像进行量化约束,同时将量化约束得到的图像再次作为卷积神经网络的训练样本。经实验表明,提出的方法与单独训练卷积神经网络相比,具有更高的性能。其次,为了进一步去除JPEG压缩伪迹,提出了多尺度稠密残差网络。该方法首先把扩张卷积引入到稠密块中,利用不同的扩张因子,使其形成多尺度稠密块;然后采用四个多尺度稠密块将网络设计成包含两条支路的结构,其中后一条支路用于补充前一条支路没有提取到的特征;最后采用残差学习的方法来提高网络的性能。为了提高网络的通用性,采用具有不同压缩质量因子的联合训练方式对网络进行训练,针对不同压缩质量因子训练出一个通用模型。经实验表明,提出的方法不仅具有较高的JPEG压缩伪迹去除性能,且具有较强的泛化能力。最后,为了进一步加快网络的运行速度,该文将JPEG压缩图像进行小波变换,得到四个高低频信息分开的图像作为网络的输入,提出了小波多尺度稠密残差网络。该方法将扩张卷积引入到稠密残差块中,利用不同的扩张因子,形成了多尺度稠密残差块,通过多尺度稠密残差块设计网络。经实验表明,提出的方法与多尺度稠密残差网络相比,性能相当,但运行速度进一步加快。