تستخدم أنظمة استرجاع الصور تقليديًا منهجية ثنائية المرحلة، حيث تعتمد على السمات العالمية لاسترجاع أولي، ثم على السمات المحلية لإعادة الترتيب. ومع ذلك، يُعد التوسع في هذا الأسلوب محدودًا غالبًا بسبب التكاليف الكبيرة في التخزين والحساب الناتجة عن مطابقة السمات المحلية في مرحلة إعادة الترتيب. في هذا البحث، نقدم "سوبرغلوبل" (SuperGlobal)، منهجية جديدة تعتمد حصريًا على السمات العالمية في كلا المرحلتين، مما يُحسّن الكفاءة دون التضحية بالدقة. تُقدّم سوبرغلوبل تحسينات رئيسية على نظام الاسترجاع، مع التركيز بشكل خاص على عمليتي استخراج السمات العالمية وإعادة الترتيب. بالنسبة لاستخراج السمات، نحدد أداءً غير مثالي عند دمج خوارزمية خسارة ArcFace الشائعة الاستخدام مع طريقة تجميع المتوسط العام (GeM)، ونقترح عدة وحدات جديدة لتحسين أداء تجميع GeM. أما في مرحلة إعادة الترتيب، نُقدّم طريقة جديدة لتحديث السمات العالمية للسؤال والصور ذات الترتيب العالي، وذلك من خلال النظر فقط في تحسين السمات باستخدام مجموعة صغيرة من الصور، مما يجعلها فعّالة للغاية من حيث الحوسبة والذاكرة. تُظهر تجاربنا تحسينات كبيرة مقارنة بالحالة الراهنة في المعايير القياسية. وبشكل ملحوظ، حققت نتائجنا في المرحلة الواحدة تحسنًا بنسبة 7.1% على مجموعة بيانات Revisited Oxford+1M Hard، بينما بلغ التحسن في المرحلة الثنائية 3.7% مع تسريع قدره 64,865 مرة. ويتفوق نظامنا الثنائي على أفضل النماذج الحالية في المرحلة الواحدة بنسبة 16.3%، مقدّمًا بديلًا قابلاً للتوسع ودقيقًا لأنظمة استرجاع الصور عالية الأداء، مع تكاليف زمنية ضئيلة جدًا. الكود: https://github.com/ShihaoShao-GH/SuperGlobal.