La resonancia magnética de difusión (dMRI) es una técnica indispensable en la investigación neurológica actual, pero su tiempo de adquisición de señal es extremadamente largo debido a la necesidad de adquirir señales en múltiples direcciones de gradiente de difusión. Los métodos supervisados de aprendizaje profundo a menudo requieren grandes cantidades de datos completos para respaldar el entrenamiento, mientras que los datos de dMRI son difíciles de obtener. Proponemos un modelo de aprendizaje profundo para la rápida reconstrucción de imágenes de difusión de alta resolución angular en escenarios de datos no emparejados. Primero, se diseñaron dos redes neuronales convolucionales para la recuperación de las señales de espacio k y espacio q, mientras que el entrenamiento con datos no emparejados se logró reduciendo la incertidumbre de los resultados de predicción de diferentes órdenes de reconstrucción. Luego, habilitamos el modelo para manejar datos ruidosos mediante la transformación de marcos de gráficos. Para evaluar el rendimiento de nuestro modelo, realizamos experimentos comparativos detallados utilizando el conjunto de datos público de proyectos de conectoma humano y lo comparamos con varios métodos de vanguardia. Para demostrar la efectividad de cada módulo de nuestro modelo, también realizamos experimentos de ablación razonables. Los resultados finales mostraron que nuestro modelo tiene una alta eficiencia y un rendimiento de reconstrucción superior.