在许多实际场景中，要获得超分辨率的图像不仅具有低分辨率(LR)，而且还具有JPEG压缩特性，而现有的大多数超分辨率方法都采用无压缩的LR图像输入。因此，JPEG压缩伪影(例如阻塞伪影)在超分辨图像中往往会加剧，导致令人不快的视觉效果。本文通过学习一个利用跳过连接的深度剩余卷积神经网络(CNN)来解决这个问题。更具体地说，通过将网络深度提高到31层，接收场为63×63，我们训练了一个cnn模型，它能够处理各种尺度和质量因素组合的JPEG图像的超分辨率，以及极端情况，即具有多尺度因子的图像超分辨率，以及具有不同质量因素的JPEG图像解块。我们广泛的实验结果表明，所提出的深度模型不仅能够以级联的方式产生比那些最先进的解锁和超分辨率方法视觉上更令人愉悦的高分辨率(HR)图像，而且在数量和质量上也能与最先进的超分辨率方法和JPEG解锁方法产生非常有竞争力的结果。
