المشكلة الأساسية في التصوير بالرنين المغناطيسي (MRI) تكمن في التنازل بين السرعة والجودة الصورية. تُعد تقنيتا إعادة بناء الصورة وتحسين الدقة (Super-resolution) من التقنيات الحاسمة في التصوير بالرنين المغناطيسي. تُصمم الطرق الحالية لأداء هذه المهام بشكل منفصل، مما يتجاهل الارتباطات بينهما. في هذا العمل، نقترح شبكة ترانسفورمر مهام نهائية (T²Net) لتنفيذ إعادة بناء الصورة وتحسين الدقة بشكل متزامن، بحيث تُشترك التمثيلات والسمات بين المهام المتعددة، مما يتيح الحصول على صور ذات جودة أعلى، ودقة فائقة، خالية من تشوهات الحركة، من بيانات MRI مُخذة بشكل غير كافٍ ومتدهورة. يجمع إطارنا بين إعادة البناء وتحسين الدقة، ويقسم إلى فرعين فرعيين، حيث تُعبّر السمات عن طريق الاستفسارات (Queries) والمقاييس (Keys). وبشكل خاص، نشجع التعلم المشترك للسمات بين المهمتين، مما يمكّن من نقل معلومات مهمة دقيقة. نستخدم أولًا فرعين منفصلين من الشبكات العصبية التلافيفية (CNN) لاستخراج السمات المخصصة لكل مهمة. ثم، نصمم وحدة ترانسفورمر المهام لدمج وتركيب العلاقة بين المهمتين. تُظهر النتائج التجريبية أن نموذجنا متعدد المهام يتفوق بشكل ملحوظ على الطرق المتسلسلة المتقدمة، من حيث الجودة الكمية والكمية.