Presentamos un enfoque basado en redes neuronales para resolver el problema de traducción de imagen a imagen en el flujo de compresión de gotas a microscale. Se propone una red neuronal convolucional residual para abordar el problema inverso: reconstruir una imagen de patrón de gotas de baja resolución (LR) a partir de una impresión de grosor de película líquida de alta resolución (HR). Esto permite predecir configuraciones iniciales de gotas que evolucionan hacia impresiones HR objetivo después de un tiempo de expansión específico. La arquitectura de red neuronal desarrollada tiene como objetivo aprender a ajustar el nivel de refinamiento de sus bloques convolucionales residuales utilizando aproximadores de funciones que se entrenan para mapear un grosor de película dado a un indicador de nivel de refinamiento apropiado. Utilizamos múltiples pilas de capas convolucionales, cuya salida se traduce de acuerdo con los indicadores de nivel de refinamiento proporcionados por los aproximadores de funciones conectados directamente. Junto con una función de activación no lineal, el mecanismo de traducción permite que la imagen de impresión HR se refine secuencialmente en múltiples pasos hasta que se revela la imagen de patrón de gotas LR objetivo. Creemos que este trabajo tiene valor para la industria de fabricación y empaquetado de semiconductores. Específicamente, permite que los diseños deseados se impriman en una superficie al comprimir gotas colocadas estratégicamente sobre una superficie en blanco, eliminando la necesidad de plantillas personalizadas y reduciendo los costos de fabricación. Además, este enfoque tiene aplicaciones potenciales en compresión de datos y encriptación.