أصبحت الشبكات التلافيفية العميقة أداة شائعة لتكوين الصور وإعادة تأهيلها. وعادةً ما يُعزى أداؤها المتميز إلى قدرتها على تعلّم افتراضات صورية واقعية من عدد كبير من الصور التوضيحية. في هذه الورقة، نُظهر أن العكس صحيح، حيث إن بنية شبكة المُولّد تكون كافية لالتقاط كمية كبيرة من الإحصائيات ذات المستوى المنخفض في الصور قبل أي عملية تعلّم. ولتحقيق ذلك، نُظهر أن شبكة عصبية مُهيأة عشوائيًا يمكن استخدامها كافتراض مُصمم يدويًا يحقق نتائج ممتازة في المشكلات العكسية القياسية مثل إزالة الضوضاء، وزيادة الدقة، وإكمال الصور. علاوةً على ذلك، يمكن استخدام نفس الافتراض لعكس التمثيلات العصبية العميقة لتحليلها، وتحسين جودة الصور استنادًا إلى أزواج من الإدخالات مع الإضاءة الساطعة والمعتمة.إلى جانب تطبيقاتها المتنوعة، يُبرز هذا النهج الانحياز الاستنتاجي الذي تلتقطه هياكل الشبكات المُولدة القياسية. كما يُسهم في تقليل الفجوة بين عائلتين شعبيتين جدًا من طرق إصلاح الصور: الطرق القائمة على التعلّم باستخدام الشبكات التلافيفية العميقة، والطرق غير القائمة على التعلّم التي تعتمد على افتراضات صورية مُصممة يدويًا مثل التشابه الذاتي. يُمكن الوصول إلى الكود والمواد المساندة عبر الرابط التالي: https://dmitryulyanov.github.io/deep_image_prior.