إن إزالة الضوضاء من الصور الخام في الإضاءة المنخفضة هي مهمة مهمة وقيّمة في التصوير الفوتوغرافي الحسابي، حيث تُعد الطرق القائمة على التعلم المُدرَّب باستخدام بيانات حقيقية مزدوجة (مُقترنة) هي السائدة حاليًا. ومع ذلك، فإن الحجم المحدود للبيانات والتوزيع المعقد للضوضاء يشكلان عائقًا في قدرة التعلّم على البيانات المزدوجة الحقيقية، مما يحد من أداء طرق التعلم القائمة على التعلم. لمعالجة هذه المشكلة، نقدّم استراتيجية لتعزيز قدرة التعلّم لإعادة صياغة البيانات المزدوجة الحقيقية وفقًا لنموذج الضوضاء. تتكوّن استراتيجيتنا من تقنيتين فعّالتين: تكثيف الضوضاء الناتجة عن التصوير (SNA) وتصحيح الظلال الداكنة (DSC). من خلال فصل نموذج الضوضاء، تُحسّن SNA دقة خريطة البيانات من خلال زيادة حجم البيانات، بينما تقلل DSC من تعقيد خريطة البيانات من خلال تقليل تعقيد الضوضاء. تُظهر النتائج الواسعة على مجموعات بيانات عامة وسيناريوهات تصوير حقيقية أداءً متميزًا على مستوى الحد الأقصى في المجال. يمكن الوصول إلى الكود الخاص بنا عبر: https://github.com/megvii-research/PMN.