كنموذج عميق ناجح تم تطبيقه في زيادة دقة الصور (SR)، أثبتت شبكة العصبيات التلافيفية لزيادة الدقة (SRCNN) أداءً متفوقًا على النماذج السابقة التي تم تصميمها يدويًا من حيث السرعة وجودة الاستعادة. ومع ذلك، لا يزال التكلفة الحسابية العالية تحول دون استخدامه العملي الذي يتطلب الأداء الفوري (24 إطارًا في الثانية). في هذا البحث، نهدف إلى تسريع SRCNN الحالي، ونقترح بنية شبكة عصبية تلافيفية (CNN) مدمجة على شكل قنينة رملية لتحقيق زيادة الدقة بشكل أسرع وأفضل. نعيد تصميم بنية SRCNN بشكل أساسي في ثلاثة جوانب. أولاً، نقدم طبقة تفكيك التلافيف (deconvolution) في نهاية الشبكة، ثم يتم تعلم الخريطة مباشرة من الصورة ذات الدقة المنخفضة الأصلية (بدون تداخل) إلى الصورة ذات الدقة العالية. ثانيًا، نعيد صياغة طبقة الخريطة عن طريق تقليص بُعد الميزات المدخلة قبل الخريطة وتوسيعه مرة أخرى بعدها. ثالثًا، نعتمد على أحجام مرشحات أصغر ولكن مع المزيد من طبقات الخريطة. يحقق النموذج المقترح سرعة أكبر بأكثر من 40 مرة مع جودة استعادة حتى أفضل. بالإضافة إلى ذلك، نقدم إعدادات المعلمات التي يمكن أن تحقق الأداء الفوري على وحدة المعالجة المركزية العامة (CPU) مع الحفاظ على الأداء الجيد. كما تم اقتراح استراتيجية نقل متناظرة لتدريب واختبار سريع عبر عوامل التكبير المختلفة.