⁢∥에스아르 자형N나⁢(엘아르 자형)↓⊗아르 자형에스에프−디그리고N에프⁢(엘아르 자형)∥1+ℛ], (방정식 1) 어디엘아르 자형는 회절 한계 이미지를 나타내고, RSF는 해상도 스케일링 함수를 나타냅니다.에스아르 자형N매개변수를 포함하는 SRN을 나타냅니다.나,디그리고N매개변수를 갖는 사전 학습된 노이즈 제거 네트워크를 나타냅니다.에프,⊗합성곱 연산을 나타냅니다.↓는 평균 다운샘플링 연산을 나타내고, N은 픽셀 수를 나타냅니다.ℛ는 정규화 항입니다. SAFT 기반 아티팩트 억제 모델 정확도가 낮을 ​​경우 항상 결과물이 생성된다. 이를 연구하기 위해, 사전 학습된 교란 레이어를 통합하여 SRN의 성능을 의도적으로 저하시키고, 적대적 학습 기반의 새로운 저성능 모델을 생성하였다. 21 , 22 SRN은 의도적으로 교란되어 성능이 저하된 모델이 되었다. 원래 네트워크 매개변수는 변경되지 않았다. UNet 아키텍처 기반의 사전 학습된 교란 레이어를 통합하여 모델 성능을 저하시켰다.