يُقلّل التعلم القائم على النقل (KD) من حجم الشبكات العصبية العميقة من خلال نقل المعرفة المتعلقة بالمهام من نماذج المدرّس الكبيرة والمعتمدة مسبقًا إلى نماذج المتعلم الصغيرة. ومع ذلك، تتجاهل الطرق الحالية لـ KD في الشبكات المُحسّنة للدقة (SR) الطبيعة الحقيقية للمهمة، حيث تُعدّ مخرجات نموذج المدرّس تقريبات ضوضائية لتوزيع الصور عالية الجودة الحقيقي (GT)، ما يُخفّف من قيمة معرفة المدرّس ويؤدي إلى تأثيرات محدودة في عملية النقل. وللتوسع في استخدام معرفة نموذج المدرّس خارج الحد الأقصى المُمكن المُمكّن من GT، نقدّم طريقة التعلم القائم على النقل عبر إعادة تدوير البيانات (DUKD)، والتي تنقل معرفة نموذج المدرّس إلى نموذج المتعلم من خلال بيانات داخل المجال (in-domain) تم استخلاصها عبر عملية إعادة تدوير البيانات المستندة إلى البيانات التدريبية. بالإضافة إلى ذلك، نُطبّق ترتيبًا لضبط التوافق في التسميات (label consistency regularization) في عملية KD لـ SR باستخدام عمليات تحويل قابلة للعكس ثنائية (paired invertible augmentations)، بهدف تحسين أداء وثبات نموذج المتعلم. تُظهر التجارب الشاملة أن طريقة DUKD تتفوّق بشكل كبير على الأساليب السابقة في عدة مهام لتحسين الدقة (SR).