التعلم العميق أدى إلى قفزة دراماتيكية في أداء التحسين الفائق (SR) خلال السنوات القليلة الماضية. ومع ذلك، نظرًا لأن هذه الطرق مراقبة، فإنها مقيدة ببيانات تدريب محددة، حيث يتم تحديد الحصول على الصور ذات الدقة المنخفضة (LR) من نظيراتها ذات الدقة العالية (HR) مسبقًا (مثل، تقليل الحجم البيكوزي)، دون وجود أي تشوهات مزعجة (مثل ضوضاء المستشعر، ضغط الصورة، دالة انتشار النقطة غير المثالية، إلخ). ومع ذلك، فإن الصور الحقيقية ذات الدقة المنخفضة نادرًا ما تلتزم بهذه القيود، مما يؤدي إلى نتائج سيئة في التحسين الفائق باستخدام أفضل الطرق المعروفة حاليًا (SotA). في هذا البحث نقدم "التحسين الفائق بدون أمثلة" (Zero-Shot SR)، الذي يستغل قوة التعلم العميق ولكنه لا يعتمد على التدريب السابق. نستغل التكرار الداخلي للمعلومات داخل صورة واحدة فقط ونقوم بتدريب شبكة عصبية صغيرة محددة للصورة أثناء الاختبار، باستخدام أمثلة مستخرجة حصريًا من الصورة المدخلة نفسها. وبذلك يمكنه التكيف مع إعدادات مختلفة لكل صورة. هذا يسمح بتنفيذ التحسين الفائق للصور القديمة الحقيقية، والصور المشوهة بالضوضاء، والبيانات البيولوجية وغيرها من الصور التي تكون فيها عملية التقاط غير معروفة أو غير مثالية. بالنسبة لمثل هذه الصور، طريقتنا تتفوق على أفضل الطرق المعروفة حاليًا المستندة إلى الشبكات العصبية المتلافهة (CNN) وعلى طرق التحسين الفائق غير المراقبة السابقة. حسب علم us ، هذه هي أول طريقة غير مراقبة مستندة إلى الشبكات العصبية المتلافهة لتحسين الدقة الفائقة.