यह शोधपत्र नॉइज डेटा से बने प्राथमिक ऑपरेटरों का उपयोग करके बड़े पैमाने की व्युत्क्रम समस्याओं के नियमन के लिए एक पर्यवेक्षित शिक्षण विधि प्रस्तावित करता है। यह दृष्टिकोण व्युत्क्रम प्रकीर्णन सिद्धांत में नमूनाकरण मैट्रिक्स का उपयोग करके सुपर-रिज़ॉल्यूशन इमेजिंग के लिए प्रासंगिक है। इस अध्ययन का उद्देश्य इस प्रकार की व्युत्क्रम समस्या के लिए स्थानिक-कालिक नियमन प्रक्रिया को तेज़ करना है ताकि वास्तविक समय इमेजिंग संभव हो सके। प्रस्तावित विधि प्रकीर्णन समीकरण के दाईं ओर प्रत्येक पैटर्न को एक संगत नियमन पैरामीटर पर मैप करने के लिए तंत्रिका ऑपरेटरों का उपयोग करती है। नेटवर्क को दो चरणों में प्रशिक्षित किया जाता है: (1) एक गैर-इष्टतम सीमा का उपयोग करके मोरोज़ोव डिस्कॉर्ड सिद्धांत द्वारा प्रदान किए गए निम्न-रिज़ॉल्यूशन नियमन मानचित्र के साथ प्रशिक्षण, और (2) एक सत्यापन हानि पर आधारित तिखोनोव हानि फलन को न्यूनतम करके नेटवर्क पूर्वानुमानों का अनुकूलन। दूसरा चरण उच्च-गुणवत्ता वाली छवि निर्माण के लिए पहले चरण से सन्निकटन मानचित्र को समायोजित करने की अनुमति देता है। यह विधि परीक्षण डेटा से सीधे सीखने की अनुमति देती है और इसके लिए इष्टतम नियमन मानचित्र के पूर्व ज्ञान की आवश्यकता नहीं होती है। निम्न-रिज़ॉल्यूशन डेटा पर प्रशिक्षित नेटवर्क उच्च-रिज़ॉल्यूशन इमेजिंग के लिए तेज़ी से एक सघन नियमन मानचित्र उत्पन्न करता है। यह पत्र नेटवर्क के सामान्यीकरण प्रदर्शन पर प्रशिक्षण हानि फलन के महत्व पर प्रकाश डालता है। विशेष रूप से, हम प्रदर्शित करते हैं कि असमानता सिद्धांत के तर्क से प्रभावित नेटवर्क उच्च-विपरीत छवियाँ उत्पन्न करते हैं। इस स्थिति में, प्रशिक्षण प्रक्रिया में बहु-उद्देश्यीय अनुकूलन शामिल होता है। इस पत्र में, हम एक नवीन विधि प्रस्तावित करते हैं जो बिना किसी अतिरिक्त अनुकूलन के प्रशिक्षण के दौरान अनुकूली रूप से उपयुक्त हानि भारों का चयन करती है। प्रस्तावित विधि को लोचदार प्लेटों की क्षति विकास इमेजिंग के लिए कृत्रिम रूप से मान्य किया गया है। परिणाम प्रदर्शित करते हैं कि असमानता-सूचित सामान्यीकरण नेटवर्क न केवल इमेजिंग प्रक्रिया को गति प्रदान करता है, बल्कि जटिल वातावरणों में छवि गुणवत्ता में भी उल्लेखनीय सुधार करता है।
