La tecnología de imagen por tomografía computarizada (CT) se ha convertido en una herramienta de diagnóstico indispensable en el examen clínico. Sin embargo, plantea un riesgo de radiación ionizante, lo que hace que la reducción de la dosis de radiación sea uno de los puntos calientes de la investigación actual en la imagen por CT. La imagen de vista dispersa, como uno de los principales métodos para reducir la dosis de radiación, ha avanzado significativamente en los últimos años. En particular, los métodos de reconstrucción de vista dispersa basados en el aprendizaje profundo han mostrado resultados prometedores. Sin embargo, recuperar eficientemente los detalles de la imagen en condiciones ultra dispersas sigue siendo un desafío. Para abordar este desafío, este documento propone una Red de Aprendizaje Mejorada y Guiada por Atención en Alta Frecuencia (HEAL). HEAL incluye tres estrategias de optimización para lograr una mejora de detalles: En primer lugar, introducimos un módulo de mejora progresiva de doble dominio, que aprovecha las restricciones de fidelidad dentro de cada dominio y las restricciones de consistencia entre dominios para estrechar efectivamente el espacio de soluciones. En segundo lugar, incorporamos mecanismos de atención tanto de canal como espaciales para mejorar el proceso de escalado de características de la red. Finalmente, proponemos un término de regularización de mejora de componente de alta frecuencia que integra el aprendizaje residual con la variación total ponderada por dirección, utilizando pistas direccionales para distinguir efectivamente entre ruido y texturas. La red HEAL se entrena, valida y prueba bajo diferentes configuraciones ultra dispersas de 60 vistas y 30 vistas, demostrando sus ventajas en precisión de reconstrucción y mejora de detalles.