في الآونة الأخيرة، أصبح سلوك التعميم لشبكات التعلم العميق التلافيفية (CNN) أكثر شفافية من خلال تقنيات التفسير التي تعتمد على تحليل مكونات التردد. ومع ذلك، لا يزال يُهمل أهمية طيف الطور للصورة بالنسبة لنظام رؤية قوي. في هذه الورقة، نلاحظ أن الشبكة العصبية التلافيفية تميل إلى التقارب عند الحد الأدنى المحلي المرتبط بشكل وثيق بمكونات التردد العالي في صور التدريب، في حين أن طيف السعة يكون عرضة بسهولة للإزعاج، مثل الضوضاء أو التلف الشائع. في المقابل، أظهرت دراسات تجريبية أكثر أن البشر يعتمدون بشكل أكبر على مكونات الطور لتحقيق التعرف المتميّز والقوي. يؤدي هذا الملاحظة إلى تفسيرات أعمق لسلوك التعميم للشبكة العصبية التلافيفية من حيث المقاومة للإزعاجات الشائعة وكشف التوزيعات غير المألوفة، كما يُحفّز على منظور جديد لتقنية تكبير البيانات (Data Augmentation) يتمثل في إعادة تجميع طيف الطور للصورة الحالية مع طيف السعة للصورة المشوّشة (distracter image). وبهذا، تُولَّد عينات تُجبر الشبكة العصبية التلافيفية على الانتباه بشكل أكبر للمعلومات الهيكلية المستمدة من مكونات الطور، مع الحفاظ على المقاومة للتغيرات في السعة. أظهرت التجارب على عدة مجموعات بيانات صور أن الطريقة المقترحة تحقق أداءً من الدرجة الأولى (state-of-the-art) في مهام متعددة للتوسع والتحديث (calibration)، بما في ذلك الملاءمة للتشوّشات الشائعة والتغيرات السطحية، وكشف التوزيعات غير المألوفة، والدفاع ضد الهجمات الخبيثة.