تُعد الطرق الحالية القائمة على التعلم العميق لاسترجاع الصور من التمويه (image deblurring) تدريب النماذج عادةً باستخدام أزواج من الصور الحادة والصور المموهة نسبيًا لها. ومع ذلك، فإن عملية تمويه الصور بشكل اصطناعي لا تضمن بالضرورة نمذجة عملية التمويه الفعلية في السياقات الواقعية بدقة كافية. ولحل هذه المشكلة، نقترح طريقة جديدة تجمع بين نموذجين من نماذج الشبكات التوليدية التنافسية (GAN)، وهما: نموذج "التعلم لعمل التمويه" (BGAN) ونموذج "التعلم لإزالة التمويه" (DBGAN)، بهدف تعلم نموذج أفضل لاسترجاع الصور من التمويه، وذلك من خلال التعلم الأساسي لطريقة تمويه الصور. يتعلم النموذج الأول (BGAN) كيفية تمويه الصور الحادة باستخدام مجموعات صور غير مزروعة (غير مزدوجة) من الصور الحادة والموهومة، ثم يوجه النموذج الثاني (DBGAN) لتعلم كيفية إزالة التمويه بشكل صحيح من هذه الصور. ولتقليل الفجوة بين التمويه الحقيقي والتمويه المُصنَّع، تم استخدام دالة فقدان تمويه نسبي (relativistic blur loss). كما يُقدّم هذا البحث إسهامًا إضافيًا من خلال إدخال مجموعة بيانات جديدة تُسمى "مجموعة بيانات الصور المموهة الواقعية" (RWBI)، والتي تتضمن صورًا مموهة متنوعة. تُظهر التجارب أن الطريقة المقترحة تحقق أداءً كميًا متفوقًا باستمرار، بالإضافة إلى جودة إدراكية أعلى، سواء على مجموعة البيانات الجديدة المُقترحة أو على مجموعة البيانات العامة GOPRO.