لقد أثبتت شبكات العصبونات المتلافهة (CNNs) باستمرار نتائجًا رائدة في تحسين دقة الصور (SR)، مما يمثل فرصة استثنائية لمجال الاستشعار عن بعد لاستخراج المزيد من المعلومات والمعرفة من البيانات الملتقطة. ومع ذلك، فإن معظم الأعمال المنشورة في الأدبيات العلمية حتى الآن ركزت على مشكلة تحسين دقة الصورة الواحدة. حاليًا، تقدم المنصات القائمة على الأقمار الصناعية توافر بيانات ضخم بدقّة زمنية عالية ودقّة مكانية منخفضة. في هذا السياق، تقترح البحوث المعروضة نموذج انتباه متبقٍ جديد (RAMS) يعالج مهمة تحسين الدقة المتعددة للصور بكفاءة، مستغلًا الترابطات المكانية والزمنية بشكل متزامن لدمج صور متعددة. نقدم آلية انتباه الخصائص البصرية باستخدام الالتفافات ثلاثية الأبعاد بهدف تحقيق دمج بيانات واعٍ واستخراج معلومات من الصور ذات الدقة المنخفضة المتعددة، مما يتجاوز حدود المنطقة المحلية لعمليات الالتفاف. بالإضافة إلى ذلك، مع وجود مدخلات متعددة لنفس المشهد، يستخدم شبكتنا لتعلم التمثيل علاقات متبقية متشابكة بشكل كبير لتتيح مرور الإشارات الترددية ذات التردد المنخفض وتركز الحساب على المكونات ذات التردد العالي الأكثر أهمية. أظهرت التجارب الواسعة والتقييمات ضد الحلول الأخرى المتاحة، سواءً لتحسين دقة الصورة الواحدة أو المتعددة، أن الحل المستند إلى التعلم العميق المقترح يمكن اعتباره رائدًا في مجال تحسين الدقة المتعددة للصور لتطبيقات الاستشعار عن بعد.