في الآونة الأخيرة، تم استكشاف الشبكات العصبية التلافيفية العميقة (CNNs) على نطاق واسع في مجال تحسين دقة الصور الفردية (SISR)، وقد حققت أداءً متميزًا. ومع ذلك، تركز معظم الطرق القائمة على الشبكات العصبية التلافيفية في مجال SISR بشكل رئيسي على تصميم هياكل أعرض أو أعمق، مع إهمال استكشاف العلاقات بين الميزات في الطبقات المتوسطة، مما يحد من القدرة التعبيرية للشبكات العصبية التلافيفية. ولحل هذه المشكلة، نقترح في هذا البحث شبكة انتباه من الدرجة الثانية (SAN) لتعزيز التعبير عن الميزات وتعلم العلاقات بينها. بشكل محدد، تم تطوير وحدة انتباه قناة من الدرجة الثانية قابلة للتدريب (SOCA) جديدة، والتي تقوم بتعديل ميزات القنوات بشكل تكيفي باستخدام إحصائيات الميزات من الدرجة الثانية لتحقيق تمثيلات أكثر تمييزًا. علاوة على ذلك، نقدّم هيكلًا مُحسَّنًا بالاعتماد على الترابط غير المحلي (NLRG)، الذي لا يدمج العمليات غير المحلية لالتقاط المعلومات السياقية المكانية على مسافات طويلة، بل يحتوي أيضًا على مجموعات انتباه متبقيّة محلية متكررة (LSRAG) لتعلم تمثيلات ميزات متزايدة في التعميم. تُظهر النتائج التجريبية تفوق شبكة SAN على أحدث الطرق في مجال SISR من حيث المقاييس الكمية وجودة الصور البصرية.