يُعد توحيد الصور عالية الدقة (HR) ذا أهمية كبيرة في التطبيقات الواقعية مثل تركيب الصور وتحريرها. ومع ذلك، نظرًا لتكاليف الذاكرة العالية، تركز الطرق الحالية المبنية على التوافقيات البكسلية الكثيفة بشكل رئيسي على معالجة الصور منخفضة الدقة (LR). ولجأت بعض الدراسات الحديثة إلى الجمع بين تحويلات الألوان بالألوان، لكنها إما محدودة ببعض الدقة أو تعتمد بشكل كبير على مرشحات صور مصممة يدويًا. في هذا العمل، نستكشف استخدام التمثيل العصبي الضمني (INR) ونُقدّم طريقة جديدة لتوحيد الصور تعتمد على الشبكات العصبية الضمنية (HINet)، والتي، إلى أقصى معرفة لدينا، تمثل أول طريقة توافقية بكسل-بكسل كثيفة قابلة للتطبيق على الصور عالية الدقة دون الحاجة إلى تصميم أي مرشحات يدوية. مستوحاة من نظرية ريتينكس، نُفكك الشبكات العصبية المتعددة الطبقات (MLPs) إلى جزأين لالتقاط المحتوى والبيئة في الصور المركبة بشكل منفصل. كما تم تصميم شبكة تمهيدية للصورة منخفضة الدقة (LRIP) لتقليل مشكلة عدم التوافق عند الحدود، ونُقدّم أيضًا تصميمات جديدة لعملية التدريب والاستنتاج. أظهرت التجارب الواسعة فعالية طريقتنا مقارنةً بالأساليب الرائدة حاليًا. علاوةً على ذلك، تم استكشاف بعض التطبيقات المثيرة والعملية الممكنة للطريقة المقترحة. يمكن الوصول إلى الشفرة المصدرية الخاصة بنا من خلال الرابط التالي: https://github.com/WindVChen/INR-Harmonization.