تستغل أحدث تقنيات إزالة الضوضاء من الصور أنواعًا مختلفة من الشبكات العصبية العميقة من خلال تدريب محدد. ومن ناحية أخرى، تستخدم الدراسات الحديثة جدًا التعلم العميق المعزز لاستعادة الصور المتأثرة بتشويهات متنوعة أو غير معروفة. وعلى الرغم من أن التعلم العميق المعزز يمكنه إنتاج شبكات سياسة فعالة لاختيار العمليات أو البحث عن البنية المعمارية في استعادة الصور، إلا أن العلاقة بين هذا النهج والتدريب المحدد الكلاسيكي في حل مسائل المعكوس ما زالت غير واضحة. في هذا العمل، نقترح خطة جديدة لإزالة الضوضاء من الصور باستخدام الاسترداد المتبقّي من خلال التعلم المعزز، ونُسمّيها R3L. ونُظهر أن R3L تُعادل شبكة عصبية متكررة عميقة يتم تدريبها باستخدام مكافأة عشوائية، على عكس العديد من أحدث أدوات إزالة الضوضاء التي تعتمد على التعلم المراقب مع دوال خسارة محددة. ولتقييم فعالية التعلم المعزز في R3L، قمنا بتدريب شبكة عصبية متكررة بنفس البنية لاسترداد الباقي باستخدام دالة خسارة محددة، بهدف تحليل تأثير الاستراتيجيتين المختلفتين للتدريب على أداء إزالة الضوضاء. وباستخدام هذا النظام الموحّد لتقييم الأداء، نُظهر أن R3L المُقترحة تمتلك قدرة تعميم وأداءً أكثر مرونة في إزالة الضوضاء من الصور عند تغير مستوى الضوضاء المقدّر، مقارنةً ببدائلها التي تعتمد على التدريب المحدد، وكذلك بعديد من خوارزميات إزالة الضوضاء المتطورة حديثًا.