بينما أظهرت الشبكات العصبية التلافيفية العميقة (CNNs) قدرة استثنائية على نمذجة الضوضاء المحددة وإزالتها، فإنها لا تزال تؤدي بشكل سيء عند التعامل مع الصور المشوهة بالضوضاء في العالم الحقيقي. السبب الرئيسي هو أن الضوضاء في العالم الحقيقي أكثر تعقيدًا وتنوعًا. لمعالجة مشكلة إزالة الضوضاء بدون معرفة طبيعته، نقترح في هذا البحث شبكة جديدة لإزالة ضوضاء الصور الحقيقية على شكل هرم (PRIDNet)، والتي تتكون من ثلاث مراحل. أولاً، مرحلة تقدير الضوضاء تستفيد من آلية الانتباه للقنوات لإعادة ضبط أهمية القنوات للمدخلات المشوهة بالضوضاء. ثانياً، في مرحلة إزالة الضوضاء متعددة المقاييس، يتم استخدام التجميع الهرمي لاستخراج الخصائص متعددة المقاييس. ثالثاً، مرحلة دمج الخصائص تتبني عملية اختيار النواة لدمج الخصائص متعددة المقاييس بطريقة متكيفة. تُظهر التجارب التي أجريت على مجموعتين من البيانات للصور الفوتوغرافية الحقيقية المشوهة بالضوضاء أن نهجنا يمكن أن يحقق أداءً تنافسيًا مقارنة بأحدث التقنيات لإزالة الضوضاء من حيث المقاييس الكمية وجودة الإدراك البصري. الكود متاح على الرابط: https://github.com/491506870/PRIDNet.