تُدرس المسائل العكسية في التصوير بشكل واسع، مع مجموعة متنوعة من الاستراتيجيات والأدوات والنظريات التي تراكمت على مر السنين. وفي الآونة الأخيرة، أثر هذا المجال بشكل كبير بظهور تقنيات التعلم العميق. أحد هذه المساهمات، وهو محور هذه الورقة، هو عمل Deep Image Prior (DIP) الذي قام به أوليانوف وفيدالدي وليمبيتسكي (2018). يوفر DIP نهجًا جديدًا نحو تنظيم المسائل العكسية، وذلك من خلال إجبار الصورة المستعادة على أن تكون مشتقة من بنية عميقة معينة. رغم أن DIP قد أثبت فعاليته كنهج غير مشرف، إلا أن نتائجه لا تزال تقل عن أفضل البدائل المتاحة.في هذا العمل، نهدف إلى تعزيز DIP بإضافة سابقة صريحة (prior)، مما يثري التأثير التنظيمي الشامل ويؤدي إلى صور مستعادة أفضل. وبشكل أكثر تحديدًا، نقترح إدخال مفهوم Regularization by Denoising (RED)، الذي يستخدم المزيلات الضوضائية الموجودة لتنظيم المسائل العكسية. يظهر عملنا كيف يمكن دمج النهجين (DIP وRED) في عملية استعادة غير مشرفة فعالة للغاية دون الحاجة إلى تمييز المزيل الضوضائي المختار، مما يؤدي إلى نتائج فعالة جدًا كما أظهرت الاختبارات لعدة مشاكل.