أظهرت أحدث المناهج القائمة على التعلم العميق أداءً أفضل من المناهج الحالية القائمة على معالجة الإشارات في مهام إعادة ترميم الصور المختلفة. ومع ذلك، إذا كانت الصورة تحتوي على عدد كبير من الأنماط والهياكل، فإن أداء هذه الشبكات العصبية التلافيفية (CNN) يظل محدودًا. ولحل هذه المشكلة، نقترح في هذا العمل خوارزمية جديدة تُعرف بتعلم التفاضل العميق في فضاء الميزات، والتي تتفوق على طرق التعلم التفاضلي الحالية. وتنبع الفكرة الأساسية من ملاحظة أن أداء خوارزمية التعلم يمكن تحسينه إذا تم تبسيط البنية الطوبولوجية لمساحات المدخلات والنتائج (العلامات) من خلال تحويل تحليلي إلى فضاء ميزات. وقد أظهرت دراساتنا العددية الواسعة، من خلال تجارب إزالة الضوضاء ومسابقة إعادة التصوير الفائق للصورة الأحادية (SISR) ضمن مسابقة NTIRE، أن خوارزمية التعلم التفاضلي في فضاء الميزات المقترحة تتفوق على أفضل الطرق الحالية. علاوةً على ذلك، حصلت خوارزميتنا على المرتبة الثالثة في مسابقة NTIRE، مع زمن حسابي أسرع بـ 5 إلى 10 أضعاف مقارنةً بالفرق الحائزة على المراكز الأولى. يمكن الاطلاع على الكود المصدري عبر الرابط التالي: https://github.com/iorism/CNN.git