تركز معظم طرق التحويل من صورة إلى صورة على تعلم التحويلات بين المجالات بافتراض أن الصور تتقاسم المحتوى (مثل الوضعية)، لكنها تمتلك معلومات محددة للمجال تُعرف بـ"النمط". عند التحديد بصورة مستهدفة، تسعى هذه الطرق إلى استخراج نمط الصورة المستهدفة ودمجه مع محتوى الصورة المصدرية. في هذه الدراسة، ننظر في السيناريو الذي تكون فيه الصورة المستهدفة ذات دقة منخفضة جدًا. وبشكل أكثر تحديدًا، يهدف نهجنا إلى نقل التفاصيل الدقيقة من صورة مصدرية ذات دقة عالية (HR) لتتناسب مع تمثيل خشن وعالي التردد (LR) للصورة المستهدفة. وبالتالي، نُنتج صورًا ذات دقة عالية (HR) تشارك خصائص من كلا المدخلين (العالي والمنخفض الدقة). يختلف هذا عن الطرق السابقة التي تركز على تحويل نمط صورة معطاة إلى محتوى مستهدف، حيث يمكن لنهجنا التحويل في نفس الوقت أن يقلد النمط ويدمج المعلومات الهيكلية للصورة المستهدفة منخفضة الدقة. تعتمد طريقةنا على تدريب النموذج التوليدي لإنتاج صور عالية الدقة (HR) تحقق كلا الشرطين التاليين: 1) مشاركة المعلومات المميزة للصورة المصدرية المرتبطة بها؛ و2) التوافق الصحيح مع الصورة المستهدفة منخفضة الدقة عند تقليل دقتها. وقد قمنا بتوثيق أداء طريقتنا على مجموعتي بيانات CelebA-HQ وAFHQ، حيث أظهرت نتائج محسّنة من حيث الجودة البصرية والتنوع والتغطية. تُظهر النتائج الكمية والكيفية أن طريقتنا تُنتج عينات أكثر واقعية مقارنة بالأساليب الرائدة في المجال مثل Stargan-v2 عند التعامل مع التحويلات داخل المجال.