أظهرت الطرق الحديثة المتطورة لزيادة الدقة (Super-Resolution) أداءً مبهرًا على مجموعات بيانات مثالية، بغض النظر عن التشويش والضوضاء. ومع ذلك، فإن هذه الطرق غالبًا ما تفشل في تطبيقات زيادة الدقة للصور الحقيقية، نظرًا لأن معظمها تعتمد على عملية خفض الحجم البسيطة (Bicubic Downsampling) من الصور عالية الجودة لتكوين أزواج الصور منخفضة الدقة (LR) وعالية الدقة (HR) للتدريب، وهي عملية قد تفقد التفاصيل المرتبطة بالتكرار الترددي. ولحل هذه المشكلة، ركّزنا على تصميم إطار تدهور جديد للصور الحقيقية من خلال تقدير أنواع مختلفة من نوى التشويش (Blur Kernels) والتوزيعات الحقيقية للضوضاء. وباستناد إلى هذا الإطار التدهوري الجديد، تمكنا من الحصول على صور منخفضة الدقة (LR) تشارك نفس المجال مع الصور الحقيقية. ثم قمنا بطرح نموذج لزيادة الدقة في البيئات الواقعية يهدف إلى تحسين التقدير البصري. أظهرت التجارب الواسعة على بيانات تشويش مُصَنَّعة وصور حقيقية أن طريقة العمل لدينا تتفوق على أحدث الطرق، مما يؤدي إلى تقليل الضوضاء وتحسين الجودة البصرية. بالإضافة إلى ذلك، تمكنت طريقة العمل من الفوز بتحدي NTIRE 2020 في كلا المسارين الخاصين بزيادة الدقة للصور الحقيقية، حيث تفوقت بشكل كبير على جميع المنافسين.