由于下采样层的存在，卷积神经网络缺乏转变标准。在图像分类中，最近提出了自适应多相下采样（APS-D）以使CNN完全换档不变。但是，在用于图像重建任务的网络中，它不能自动恢复转移标准规范。我们通过提出自适应多相上升采样（APS-U），传统上采样的非线性扩展来解决该问题，该传统上采样的非线性扩展，其允许CNNS与对称编码器 - 解码器架构（例如U-Net）进行CNN，以表现出完美的换档设备。利用MRI和CT重建实验，我们表明，网络包含APS-D / U层的网络展示了本领域的状态性能，而不会牺牲图像重建质量。此外，与数据增强和抗锯齿等先前的方法不同，从APS-D / U获得的标准规范中的增益也扩展到训练分布外的图像。