고해상도 자기 공명(MR) 영상은 후속 분석의 정확성 향상과 조기 임상 진단에 기여하기 때문에 많은 임상 응용 분야에서 바람직합니다. 단일 이미지 슈퍼 해상도(SISR)는 MR 영상의 공간 해상도를 개선하는 효과적이고 비용 효율적인 대체 기술입니다. 최근 몇 년 동안, 특히 컨벌루션 신경망(CNNs)을 기반으로 하는 SISR 방법들이 자연 이미지에서 최고 수준의 성능을 달성하였습니다. 그러나 네트워크가 깊어질수록 정보가 점차 약화되고 학습이 점점 어려워집니다. 이 문제는 고품질 및 효과적인 학습 샘플이 부족하여 깊은 모델이 과소적합 또는 과적합에 취약한 의료 이미지에 더 심각합니다. 그럼에도 불구하고, 현재 많은 모델들은 서로 다른 채널에서의 계층적 특징들을 동등하게 처리하는데, 이는 모델이 계층적 특징들을 차별적이고 목표 지향적으로 처리하는 데 도움이 되지 않습니다. 이를 해결하기 위해, 우리는 깊은 모델의 표현 부담을 줄이는 새로운 채널 분할 네트워크(CSN)를 제시합니다. 제안된 CSN 모델은 서로 다른 정보 전송 방식으로 계층적 특징들을 두 가지 분기, 즉 잔여 분기와 밀집 분기로 나눕니다. 잔여 분기는 특징 재사용을 촉진하고, 밀집 분기는 새로운 특징 탐색에 유리합니다. 또한, 우리는 서로 다른 분기 간의 정보 통합을 용이하게 하기 위해 병합-실행 매핑(merge-and-run mapping)을 채택하였습니다. 프로톤 밀도(PD), T1 및 T2 영상을 포함한 다양한 MR 영상에 대한 광범위한 실험 결과, 제안된 CSN 모델이 다른 최신 SISR 방법들보다 우수한 성능을 보임을 확인할 수 있었습니다.