고품질의 고해상도(HR) 자기공명(MR) 영상은 신뢰할 수 있는 진단 및 정량적 영상 분석을 위해 더 세밀한 정보를 제공한다. 저해상도(LR) MR 영상이 주어졌을 때, 깊은 합성곱 신경망(CNN)은 MR 영상의 초해상도(SR) 복원에 있어 유망한 성능을 보여주고 있다. 일반적으로 LR MR 영상은 반복적인 패턴, 상대적으로 단순한 구조, 그리고 정보량이 적은 배경을 공유하는 시각적 특성을 가진다. 기존의 대부분의 CNN 기반 SR 방법은 공간 픽셀(배경 포함)을 동일하게 취급하며, 입력 영상의 전체 공간 구조를 충분히 인지하지 못하는 한계를 가지고 있다. 이는 고품질 MR 영상 SR에 있어 핵심적인 문제이다. 이러한 문제를 해결하기 위해, 정확한 MR 영상 초해상도 복원을 위한 '압축 및 자극 추론 주의망(Squeeze and Excitation Reasoning Attention Networks, SERAN)'을 제안한다. 본 논문에서는 입력 영상의 전역 공간 정보로부터 주의를 압축하고, 전역 특징 기술자(global descriptors)를 추출한다. 이러한 전역 특징 기술자는 MR 영상 내 정보가 풍부한 영역과 구조에 집중할 수 있는 네트워크의 능력을 강화한다. 또한, 이러한 전역 특징 기술자들 간의 관계를 구축하고, 기본적인 관계 추론 주의 기법을 제안한다. 학습된 주의 정보를 통해 전역 특징 기술자들을 보다 정교하게 개선하며, 수집된 정보를 효율적으로 활용하기 위해 학습된 적응형 주의 벡터를 사용하여 특징 반응을 적응적으로 재조정한다. 이러한 적응형 주의 벡터는 전역 특징 기술자 중 일부를 선택하여 각 공간 위치에 보완함으로써 정밀한 세부 정보 및 질감 복원을 가능하게 한다. 또한, 잔차 스케일링을 통한 압축 및 자극 주의 기법을 제안하여, 학습 과정의 안정성을 높이는 동시에 다른 기초 네트워크에 유연하게 적용할 수 있도록 한다. 광범위한 실험 결과는 제안한 SERAN이 기준 데이터셋에서 정량적·정성적으로 기존 최고 수준의 방법들을 명확히 능가함을 보여준다.