يتطلب تدريب طرق التخفيف القائمة على التعلم كمية هائلة من أزواج الصور المشوهة والواضحة. لسوء الحظ، لا تتمتع المجموعات الاصطناعية الحالية بواقعية كافية، ولا يمكن للنماذج التي تُدرّب عليها معالجة الصور المشوهة الحقيقية بشكل فعّال. وعلى الرغم من الاقتراحات الحديثة لمجموعات صور حقيقية، إلا أنها تقدم تنوعًا محدودًا في المشاهد والإعدادات الكاميرية، كما يظل جمع مجموعات صور حقيقية لبيئات متنوعة تحديًا كبيرًا. لحل هذه المشكلة، يحلل هذا البحث عوامل مختلفة تؤدي إلى الفروقات بين الصور المشوهة الحقيقية والاصطناعية. وبهدف ذلك، نقدّم RSBlur، وهي مجموعة بيانات جديدة تحتوي على صور مشوهة حقيقية والسلسلة المقابلة من الصور الواضحة، مما يمكّن من تحليل دقيق للفرق بين التشوّش الحقيقي والاصطناعي. وباستخدام هذه المجموعة، نكشف عن تأثير العوامل المختلفة في عملية توليد التشوّش. بناءً على هذا التحليل، نقدّم أيضًا مسارًا جديدًا لتوليد التشوّش يهدف إلى إنتاج تشوّش أكثر واقعية. ونُظهر أن مسار التوليد هذا يمكن أن يحسّن أداء التخفيف على الصور المشوهة الحقيقية.