تلقى تدريب نموذج عمقي أعمى واحد للتعامل مع عوامل جودة مختلفة لإزالة تشوهات صور JPEG اهتمامًا كبيرًا بسبب ملاءمته للاستخدام العملي. ومع ذلك، فإن الطرق العميقة الأعمى الحالية غالبًا ما تقوم بإعادة بناء الصورة مباشرة دون التنبؤ بعامل الجودة، مما يفتقر إلى المرونة في التحكم في الناتج مثل الطرق غير الأعمى. لحل هذه المشكلة، نقترح في هذا البحث شبكة عصبية تقنية أعمى مرنة، والتي نطلق عليها اسم FBCNN (Flexible Blind Convolutional Neural Network)، يمكنها التنبؤ بعامل جودة قابل للتعديل للتحكم في التوازن بين إزالة التشوهات وحفظ التفاصيل.بشكل خاص، تقوم FBCNN بفصل عامل الجودة عن صورة JPEG من خلال وحدة الفصل ثم تدمج عامل الجودة المتوقع في الوحدة إعادة البناء اللاحقة عبر كتلة انتباه عامل الجودة لتحقيق التحكم المرن. بالإضافة إلى ذلك، وجدنا أن الطرق الحالية معرضة للفشل على صور JPEG المزدوجة غير المنسجمة حتى مع تحول بيكسل واحد فقط، ولذلك اقترحنا نموذج تدهور JPEG المزدوج لزيادة بيانات التدريب. أظهرت التجارب الواسعة على صور JPEG واحدة وأكثر من صور JPEG مزدوجة وصور JPEG الحقيقية أن النموذج المقترح FBCNN حقق أداءً مفضلًا مقابل أفضل الطرق الحالية من حيث المقاييس الكمية والجودة البصرية.