في السنوات الأخيرة، حققت الأساليب المعتمدة على نماذج التشتت (Diffusion Models) تقدمًا ملحوظًا في معالجة مشاكل عكسية (Inverse Problems). وتعتبر الشواذ (Outliers) تحديًا شائعًا في القياسات الواقعية، حيث يمكن أن تؤثر سلبًا على النتائج. لذا، قام الباحثون بطرح طريقة مبتكرة للتغلب على هذا التحدي.

تتضمن الطريقة الجديدة أولاً تحسين القياسات عبر تقدير الضوضاء بشكل صريح، مما يساهم في تقليل تأثير الشواذ. بعد ذلك، يتم صياغة هدف تجريبي يعتمد على المربعات الأقل وزناً (Least Squares) يعتمد على خسارة هوبير (Huber Loss) لمعالجة الشواذ بطريقة فعّالة.

تستخدم هذه الطريقة الانحدار التدرج (Gradient Descent) لحل مشكلة التحسين المقابلة للهدف المتين، ولكن لتجنب الظروف الدقيقة لتعديل معدل التعلم، تم الدمج مع طريقة التدرج المترافق (Conjugate Gradient) بأسلوب فعال للتحديث.

أظهرت التجارب الواسعة على عدة مجموعات صور، سواء كانت المهام خطية أو غير خطية، أن الأساليب المقدمة تظهر قدرة ملحوظة على التعامل مع الشواذ، حيث تفوقت على العديد من الطرق الحديثة المعتمدة على نماذج التشتت في معظم الحالات.

تعتبر هذه النتائج خطوة هامة نحو تحسين أداء الأساليب التحليلية في مختلف التطبيقات، حيث تُعد قادراً أكثر على التعامل مع البيانات الواقعية التي تتميز بالضوضاء والشواذ.