La tarea de la reconstrucción rápida de imágenes de resonancia magnética (RM) es reconstruir imágenes de alta calidad de RM a partir de imágenes submuestreadas. La mayoría de los métodos existentes se basan en U-Net, y estos métodos principalmente adoptan varias conexiones simples dentro de la red, a las que llamamos ideas de diseño microscópico. Sin embargo, estas consideraciones no pueden aprovechar al máximo la información de características dentro de la red, lo que conduce a una baja calidad de reconstrucción. Para resolver este problema, repensamos el método de utilización de características de la red del codificador y decodificador desde un punto de vista macroscópico y proponemos una red de fusión de características macroscópicas densamente macroscópica para la reconstrucción rápida de imágenes de resonancia magnética. Nuestra red utiliza tres etapas para reconstruir imágenes de alta calidad de RM a partir de imágenes submuestreadas de grueso a fino. Proponemos una estructura de compensación de características entre etapas (IFCS) que aprovecha al máximo la información de características de diferentes etapas y fusiona las características de diferentes codificadores y decodificadores. Esta estructura utiliza un método de conexión entre subredes similar a la forma densa para fusionar características de codificación y decodificación, que se llama fusión de características macroscópicas densamente. También se propone un bloque de atención de red cruzada (CNAB) para mejorar aún más el rendimiento de reconstrucción. Los experimentos muestran que la calidad de las imágenes de RM submuestreadas mejora considerablemente, y la información detallada de las imágenes de RM se enriquece en gran medida. Nuestra red de reconstrucción es más ligera que muchos métodos anteriores, pero logra un mejor rendimiento. El rendimiento de nuestro método es aproximadamente un 10% más alto que el del método original, y aproximadamente un 3% más alto que el de la mayoría de los métodos existentes. En comparación con los algoritmos óptimos más cercanos, el rendimiento de nuestro método se mejora en aproximadamente un 0.01-0.45%, y nuestra complejidad computacional es solo 1/14 de estos algoritmos.