إن إصلاح الصور، بما في ذلك إزالة الضوضاء من الصور، وزيادة الدقة، والاستكمال البصري (الإكمال بالصور)، وغيرها، يُعدّ مشكلة مُستَكشَفة جيدًا في مجال الرؤية الحاسوبية ومعالجة الصور، كما يُعتبر نموذجًا تجريبيًا لخوارزميات النمذجة المنخفضة المستوى للصور. في هذا العمل، نقترح شبكة عميقة جدًا من نوع المشغل التلقائي المُشَبَّك بالكامل (Fully Convolutional Auto-Encoder)، مخصصة لإصلاح الصور، وتُشكّل إطارًا يعتمد على الترميز والإعادة (Encoding-Decoding)، يتكوّن من طبقات متماثلة من العمليات التوليفية (Convolutional) والتفكيكية (De-convolutional). بعبارة أخرى، تتكون الشبكة من طبقات متعددة من العمليات التوليفية والتفكيكية، وتتعلم التمثيلات النهائية (end-to-end) من الصور التالفة إلى الصور الأصلية. حيث تلتقط الطبقات التوليفية التمثيلات المجردة لمحتوى الصورة، مع التخلص من التشوهات، بينما تمتلك الطبقات التفكيكية القدرة على تكبير خرائط الميزات واستعادة التفاصيل الدقيقة للصورة. ولحل المشكلة التي تتمثل في صعوبة تدريب الشبكات الأعمق، نقترح ربط الطبقات التوليفية والتفكيكية بشكل متماثل باستخدام روابط متعددة الطبقات (skip-layer connections)، مما يُسرّع من عملية التدريب بشكل كبير ويُحقّق نتائج أفضل.