Actualmente, los métodos de desempañado de imágenes basados en aprendizaje profundo ocupan una posición dominante en las aplicaciones de desempañado de imágenes. Aunque muchos modelos complicados de desempañado han logrado un rendimiento competitivo, los métodos efectivos para extraer características útiles aún están poco investigados. Por lo tanto, en este documento se presenta una red de atención multi-característica adaptativa (AMFAN) que consta del mecanismo de atención ponderada por puntos (PWA) y la fusión de características de múltiples capas (AMLFF). Comenzamos mejorando la atención a nivel de píxel para cada mapa de características. Específicamente, diseñamos un bloque PWA, que agrega información global y local del mapa de características. También empleamos PWA para hacer que el modelo se enfoque de manera adaptativa en canales/regiones significativos. Luego, diseñamos un bloque de fusión de características (FFB), que puede lograr la fusión a nivel de características mediante la explotación de un bloque PWA. El FFB y PWA constituyen nuestro AMLFF. Diseñamos un AMLFF, que puede integrar tres niveles diferentes de mapas de características para equilibrar efectivamente los pesos de las entradas al codificador y decodificador. También utilizamos la función de pérdida contrastiva para entrenar la red de desempañado de manera que la imagen recuperada esté lejos de la muestra negativa y cerca de la muestra positiva. Los resultados experimentales tanto en imágenes sintéticas como en imágenes del mundo real demuestran que este enfoque de desempañado supera a numerosas técnicas avanzadas, tanto visual como cuantitativamente, mostrando su superioridad en el desempañado de imágenes.