نقترح نموذجًا فائق الكفاءة وأسرع لزيادة دقة الصور الفردية (SISR) باستخدام الشبكات العصبية التلافيفية العميقة (Deep CNN). أظهرت الشبكات العصبية التلافيفية العميقة مؤخرًا أنها تتمتع بأداء إعادة بناء ملحوظ في زيادة دقة الصور الفردية. الاتجاه الحالي هو استخدام طبقات CNN أعمق لتحسين الأداء. ومع ذلك، فإن النماذج العميقة تتطلب موارد حسابية أكبر ولا تناسب أجهزة الحواف مثل الهواتف المحمولة والأجهزة اللوحية وأجهزة إنترنت الأشياء (IoT).يحقق نموذجنا أداءً متميزًا في إعادة بناء الصور مع تكلفة حسابية أقل بعشر مرات على الأقل من خلال استخدام Deep CNN مع شبكة الباقي (Residual Net)، والارتباط القفز (Skip Connection)، وشبكة داخل شبكة (Network in Network) (DCSCN). يتم استخدام تركيبة من شبكات CNN العميقة وطبقات الارتباط القفز كمستخرج للخصائص في مجالات الصورة المحلية والعالمية. كما يتم استخدام شبكات CNN المتوازية بحجم 1x1، مثل تلك التي تُعرف باسم شبكة داخل شبكة، لإعادة بناء الصورة. يقلل هذا البنيان من أبعاد خرج الطبقة السابقة لتحقيق حسابات أسرع مع فقدان أقل للمعلومات، مما يجعل من الممكن معالجة الصور الأصلية مباشرة.بالإضافة إلى ذلك، قمنا بتحسين عدد الطبقات ومرشحات كل CNN بشكل كبير لتقليل تكلفة الحساب. وبالتالي، فإن الخوارزمية المقترحة لا تحقق فقط أفضل الأداء الحالي بل أيضًا الحساب السريع والفعال. يمكن الوصول إلى الكود عبر الرابط: https://github.com/jiny2001/dcscn-super-resolution