أصبح التعلم غير المُشرَّف لتدفق البصريات، الذي يستفيد من الإشراف الناتج عن توليد المناظر، بديلاً واعداً للطرق المُشرَّفة. ومع ذلك، فمن المرجح أن تكون الوظيفة الهدف للتعلم غير المُشرَّف غير موثوقة في المشاهد الصعبة. في هذه الدراسة، نقدّم إطاراً يستخدم إشرافاً أكثر موثوقية من خلال التحولات. ويتم ببساطة تحويل النموذج العام للتعلم غير المُشرَّف من خلال تنفيذ تمريرة أمامية إضافية باستخدام بيانات مُحوَّلة من عملية التحويل (التكبير)، مع استخدام التنبؤات المُحوَّلة للبيانات الأصلية كإشارات إشراف ذاتي. بالإضافة إلى ذلك، نُدخل بشكل مُكمّل شبكة خفيفة الوزن تستخدم عدة إطارات من خلال مُفكّك تدفق مُشترك بشكل كبير. يحقق أسلوبنا تقدماً ملحوظاً في الأداء على عدة معايير، مع تحقيق أفضل دقة بين الطرق العميقة غير المُشرَّفة. كما يُحقّق أسلوبنا نتائج تنافسية مع الطرق المُشرَّفة بالكامل الحديثة، مع استخدام عدد أقل بكثير من المعلمات.