أظهرت الدراسات الحديثة تحسينًا كبيرًا في أداء التحسين الفائق للصورة الواحدة (SR) باستخدام الشبكات العصبية التلافيفية (CNN). وعلى الرغم من أن هناك العديد من الحلول عالية الدقة (HR) الممكنة لصورة إدخال معينة، فإن معظم الطرق القائمة على الشبكات العصبية التلافيفية لا تستكشف حلولًا بديلة أثناء عملية الاستنتاج. الطريقة الشائعة للحصول على نتائج SR بديلة هي تدريب عدة نماذج SR باستخدام أوزان مختلفة للوظائف الخسارة، ثم استغلال تجميع هذه النماذج. بدلًا من استخدام نماذج متعددة، نقدم طريقة أكثر كفاءة لتدريب نموذج SR واحد قابل للتعديل على توليفات مختلفة من الخسائر، وذلك باستغلال التعلم متعدد المهام. بشكل خاص، نُحسّن نموذج SR باستخدام هدف مشروط أثناء التدريب، حيث يكون هذا الهدف مجموعًا موزونًا لعدة خسائر واعية على مستويات ميزات مختلفة. وتختلف الأوزان حسب الشروط المحددة، ويُعرف المجموعة المكونة من هذه الأوزان بـ "مُتحكم الأسلوب". كما نقدّم بنية مناسبة لهذا النموذج التدريبي، وهي "كتلة كثيفة داخلية متعددة متصلة بالتحليل المكاني للسمات". أثناء مرحلة الاستنتاج، يمكن لنموذجنا المدرب إنتاج نتائج مختلفة محليًا بحسب خريطة تحكم الأسلوب. تُظهر التجارب الواسعة أن النموذج المُقترح يُنتج إعادة بناءً متنوعة ومُرضية دون تشوهات، ويحقق أداءً كميًا مماثلًا لأفضل الطرق الحالية في مجال SR.