تُعد طرق التحسين القائمة على النماذج وطرق التعلّم التمييزيتان الاستراتيجيتين الرئيسيتين لحل المشكلات العكسية المتنوعة في الرؤية منخفضة المستوى. عادةً ما تتميز هاتان النوعان من الطرق بمزايا وعيوب مميزة؛ فعلى سبيل المثال، تُظهر الطرق القائمة على النماذج مرونة عالية في التعامل مع مشكلات عكسية مختلفة، لكنها غالبًا ما تكون بطيئة في الأداء، خاصة عند استخدام مُعطيات مسبقة معقدة لتحقيق أداء ممتاز؛ في المقابل، تتميز طرق التعلّم التمييزي بسرعة عالية في الاختبار، لكن نطاق تطبيقها محدود جدًا بسبب تخصّصها للوظائف المحددة. وقد أظهرت الدراسات الحديثة أن استخدام تقنيات الفصل المتغير يمكّن من دمج "مُقدّم إزالة الضوضاء" كجزء قابل للتركيب ضمن طرق التحسين القائمة على النماذج، بهدف حل مشكلات عكسية أخرى (مثل إزالة الضبابية). ويتسم هذا التكامل بمزايا كبيرة، خاصة عندما يتم الحصول على مُقدّم إزالة الضوضاء عبر طرق التعلّم التمييزي. ومع ذلك، ما زال هناك نقص في الدراسات المتعلقة بالتكامل مع مُقدّم إزالة ضوضاء سريع مبني على التعلّم التمييزي. وللإجابة على هذا الفجوة، تهدف هذه الورقة إلى تدريب مجموعة من مُقدّمات إزالة الضوضاء السريعة والفعّالة باستخدام الشبكات العصبية التلافيفية (CNN)، ثم دمجها ضمن طريقة التحسين القائمة على النماذج لحل مشكلات عكسية أخرى. وأظهرت النتائج التجريبية أن المجموعة المُدرّبة من مُقدّمات إزالة الضوضاء لا تحقق أداءً متميزًا في إزالة الضوضاء الغاوسية فحسب، بل يمكن أيضًا استخدامها كمُقدّم لتقديم أداء جيد في مختلف تطبيقات الرؤية منخفضة المستوى.