Este documento examina el desafío de superresolución multi-escala de modelos digitales de elevación en teledetección. Se propone una red de fusión de atención multi-escala de dominio dual, que reconstruye los detalles de la imagen de elevación digital paso a paso utilizando subredes en cascada. Este modelo incorpora componentes como el módulo de guía y separación de wavelet, bloques de fusión de atención multi-escala, módulo de convolución dilatada de inception y módulo de realce de bordes para mejorar la extracción de características y capacidades de fusión. Se diseña una nueva función de pérdida para mejorar la robustez y estabilidad del modelo. Los experimentos indican que el modelo propuesto supera a 15 modelos de referencia en métricas de , , , y . En los datos de HMA, el mejora en 0.89 dB (~1.81%), y el RMSE disminuye en 1.22 m (~8.6%) en comparación con un modelo de última generación. En comparación con EDEM, que tiene el mejor índice de elevación, disminuye en 0.79 (~16%). Además, la efectividad y contribución de cada componente DDMAFN fueron verificadas a través de experimentos de ablación. Finalmente, en el conjunto de datos de SRTM, el modelo propuesto demuestra un rendimiento superior incluso con degradación interpolada.