في سياق اكتشاف وتتبع الأشياء الأكثر تميزًا من المشاهد البصرية، يلعب اكتشاف الأشياء البارزة (SOD) دورًا أساسيًا في أنظمة الرؤية الحاسوبية المتنوعة. مع دخولنا عصر الدقة العالية، تواجه طرق SOD تحديات جديدة. العائق الرئيسي للطرق السابقة هو أنها تحاول تحديد المناطق البارزة وتقدير حدود الأشياء بدقة في وقت واحد باستخدام مهمة انحدار واحدة عند الدقة المنخفضة. هذا النهج يتجاهل الاختلاف الجوهري بين هذين المشكلتين الصعبتين، مما يؤدي إلى جودة كشف ضعيفة. في هذه الورقة البحثية، نقترح إطارًا جديدًا للتعلم العميق لمهمة SOD عالية الدقة، والذي يفكك المهمة إلى شبكة تصنيف بارز منخفض الدقة (LRSCN) وشبكة تحسين عالية الدقة (HRRN). كمهمة تصنيف بكسل فردي، تم تصميم LRSCN لالتقاط معاني كافية عند الدقة المنخفضة لتحديد المناطق الصورة البارزة والخلفية والغير مؤكدة. HRRN هي مهمة انحدار تهدف إلى تحسين قيمة البروز للبكسلات في المنطقة غير المؤكدة بدقة لحفظ حدود واضحة للأجسام عند الدقة العالية باستخدام ذاكرة GPU محدودة. من الجدير بالذكر أن إدخال عدم اليقين في عملية التدريب يمكن أن يساعد HRRN لدينا في التعامل بشكل جيد مع مهمة التحسين عالية الدقة دون استخدام أي بيانات تدريب عالية الدقة. أظهرت التجارب الواسعة على مجموعات بيانات البروز عالية الدقة وبعض المقاييس الشائعة للبروز أن الطريقة المقترحة تحقق أداءً أفضل مقارنة بالطرق المتقدمة حاليًا.