تُقدّم العديد من الحلول القائمة على التعلم العميق لاسترجاع الصور المضببة دون معرفة مسبقة تقدير تمثيل التشويش وإعادة بناء الصورة المستهدفة من ملاحظتها المشوّشة. ومع ذلك، تُعاني هذه الطرق من تدهور شديد في الأداء في السياقات الواقعية، نظرًا لتجاهلها لمعلومات سابقة مهمة حول تشويش الحركة (مثل أن تشويش الحركة في العالم الحقيقي متنوع ومتغير مكانيًا). حاولت بعض الطرق تقدير نوى التشويش غير الموحدة بشكل صريح باستخدام الشبكات العصبية التلافيفية (CNN)، لكن التقدير الدقيق لا يزال يشكل تحديًا بسبب غياب بيانات الحقيقة المطلقة حول نوى التشويش المتغيرة مكانيًا في الصور الواقعية. ولحل هذه المشكلات، نقترح تمثيل حقل نوى تشويش الحركة في فضاء خفي باستخدام تدفقات التطبيع (normalizing flows)، ونصمم شبكات عصبية تلافيفية لتوقع الرموز الخفية (latent codes) بدلًا من نوى الحركة. ولتحسين دقة وثبات تقدير النوى غير الموحدة، نُدخل تعلم عدم اليقين في عملية تقدير الرموز الخفية، ونُقدّم وحدة انتباه نوى متعددة المقياس لدمج أفضل بين ميزات الصورة ونوى التشويش المقدرة. تُظهر النتائج التجريبية الواسعة، وخاصة على مجموعات بيانات تشويش واقعية، أن طريقةً لدينا تحقق أفضل النتائج الحالية من حيث الجودة الذاتية والكمية، فضلًا عن أداء عام ممتاز في استرجاع الصور غير الموحدة. يُمكن الاطلاع على الشفرة المصدرية عبر الرابط التالي: https://see.xidian.edu.cn/faculty/wsdong/Projects/UFPNet.htm.