إعادة بناء التفاصيل المفقودة من المدخلات ذات الجودة المنخفضة والمتأثرة بالتشوهات يشكل تحديًا كبيرًا. لقد أظهر التقدم الحديث في استعادة الصور فعالية تعلم النماذج الكبيرة القادرة على معالجة أنواع متعددة من التشوهات بشكل متزامن. ومع ذلك، فإن هذه الأساليب تضيف عبءًا حسابيًا كبيرًا ونماذج تعليمية معقدة، مما يحد من فائدتها العملية. كرد على ذلك، نقترح \textit{DaAIR}، وهو نظام فعال لاستعادة الصور يعتمد على متعلم واعٍ بالتشوهات (DaLe) في نظام الرتب المنخفضة للكشف المشترك عن الجوانب المشتركة والتفاصيل الدقيقة عبر تشوهات متنوعة، مما ينتج تمثيلًا مدمجًا للتشوهات. من خلال تخصيص القدرة النموذجية ديناميكيًا للمدخلات المتأثرة بالتشوهات، نحقق نظام استعادة فعال يدمج بين التعلم الشامل والتعلم الخاص ضمن نموذج موحد. بالإضافة إلى ذلك، يقدم DaAIR آلية تحديث المعلمات بتكلفة منخفضة تزيد من الوعي بالتشوهات مع الحفاظ على الكفاءة الحسابية. تُظهر المقارنات الواسعة عبر خمسة أنواع من تشوهات الصور أن DaAIR يتفوق على النماذج الرائدة في مجالها وأقرانها الذين يستهدفون تشوهات محددة، مما يؤكّد فعاليتنا وعمليتنا. سيتم توفير المصدر بشكل عام على الرابط: https://eduardzamfir.github.io/daair/