التسجيل غير المشرف للصور يعتمد عادةً على شبكات من نوع U-Net لتنبؤ حقولات النقل الكثيفة في المجال المكاني بدقة كاملة. ومع ذلك، فإن هذا العملية مكثفة للموارد ومكلفة من حيث الوقت بالنسبة للبيانات الصورية الحجمية ذات الدقة العالية. لمعالجة هذه المشكلة، نقترح استخدام Fourier-Net، حيث يتم استبدال المسار التوسع في شبكة من نوع U-Net بمسحوق فك تشفير مدفوع بالنموذج وخالي من المعلمات. تحديداً، بدلاً من أن يقوم Fourier-Net الخاص بنا بتعلم إخراج حقول النقل بدقة كاملة في المجال المكاني، نتعلم تمثيله ذو الأبعاد المنخفضة في مجال فورييه ذي التردد المحدود. يتم بعد ذلك فك تشفير هذا التمثيل بواسطة مفك الشفرة الذي طورناه (ويتكون من طبقة تعبئة صفرية وطبقة تحويل فورييه المتقطع العكسي) إلى حقول النقل الكثيفة بدقة كاملة في المجال المكاني. تسمح هذه التغييرات لFourier-Net غير المشرف لدينا بأن يحتوي على عدد أقل من المعلمات والعمليات الحسابية، مما يؤدي إلى سرعات استدلال أسرع. ثم يتم تقييم Fourier-Net على مجموعتين عامتين من بيانات الدماغ ثلاثية الأبعاد مقابل العديد من الأساليب الرائدة الأخرى. على سبيل المثال، عند مقارنته بطريقة قائمة على المتحولات تم إطلاقها مؤخرًا باسم TransMorph، فإن Fourier-Net الخاص بنا، الذي يستخدم فقط 2.2٪ من معلماتها و6.66٪ من عمليات الضرب والجمع، يحقق درجة Dice أعلى بنسبة 0.5٪ وسرعة استدلال أسرع بمقدار 11.48 مرة. يمكن الحصول على الكود من الرابط التالي: \url{https://github.com/xi-jia/Fourier-Net}.